当前位置：首页 > news >正文

【LLM LangChain】模型绑定工具+调用工具（手动调用/LangGraph/AgentExecutor）+相关注意事项

news 2025/9/22 9:23:31

模型绑定工具

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool# 定义一个工具
@tool
def add_numbers(input: str) -> str:"""Add two numbers together. 输入格式: 'a,b'"""a, b = map(int, input.split(","))return str(a + b)# 初始化模型
model = ChatOpenAI(model= "qwen-plus",api_key= "sk-0cff369a69e1474d9a308f19370373f1",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1") # ChatOpenAI(model="gpt-4o", temperature=0)# 给模型绑定工具
model_with_tools = model.bind_tools([add_numbers])# 传入对话消息
result = model_with_tools.invoke([{"role": "user", "content": "帮我计算 123 + 456"}
])print(result)

输出

content='' additional_kwargs={'tool_calls': [{'id': 'call_407dc2ba39074f34a319c2', 'function': {'arguments': '{"input": "123,456"}', 'name': 'add_numbers'}, 'type': 'function', 'index': 0}], 'refusal': None} response_metadata={'token_usage': {'completion_tokens': 25, 'prompt_tokens': 162, 'total_tokens': 187, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}}, 'model_name': 'qwen-plus', 'system_fingerprint': None, 'id': 'chatcmpl-24d6004f-53c9-4362-ade0-1ec3d09f1f5b', 'service_tier': None, 'finish_reason': 'tool_calls', 'logprobs': None} id='run--12c2fe5b-0b2c-4f05-9102-c20b73c93737-0' tool_calls=[{'name': 'add_numbers', 'args': {'input': '123,456'}, 'id': 'call_407dc2ba39074f34a319c2', 'type': 'tool_call'}] usage_metadata={'input_tokens': 162, 'output_tokens': 25, 'total_tokens': 187, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}}

关键字段说明

content=''
- 空字符串，因为这次回答不是自然语言，而是“我要调用工具”。
additional_kwargs.tool_calls
- 模型生成的工具调用请求。
- 这里包含：
```
{"id": "call_407dc2ba39074f34a319c2","function": {"arguments": "{\"input\": \"123,456\"}","name": "add_numbers"},"type": "function","index": 0
}
```
  - name: 工具名称 → "add_numbers"
  - arguments: 工具的参数 → {"input": "123,456"}
  - 这就是模型想让你执行的函数调用。
response_metadata.finish_reason='tool_calls'
- 表示这次生成 不是回答，而是“请求调用工具”。

tool_calls

更直观地列出了工具调用：

[{'name': 'add_numbers', 'args': {'input': '123,456'}, ...}]

usage_metadata / response_metadata.token_usage
- 记录了这次请求的 token 用量（输入 162，输出 25）。

工具执行

拿到了 工具调用请求 (tool_calls)，接下来就有几种执行方式。

手动执行：最灵活，适合简单场景或需要自己管理工具调用逻辑。
LangGraph + ToolNode：推荐 👍，适合生产级、多工具、复杂工作流。
AgentExecutor：入门快，写起来简洁，但定制性差。

方法 1：手动执行工具

自己解析 tool_calls，调用对应函数，再把结果交回模型。

from langchain_core.messages import AIMessage, ToolMessage# 1. 模型返回的工具调用请求
ai_message = result  # 就是你拿到的对象
tool_call = ai_message.tool_calls[0]
tool_name = tool_call["name"]
tool_args = tool_call["args"]# 2. 执行工具
tool_result = add_numbers.invoke(tool_args)  # -> "579"# 3. 把工具的结果传回模型
final_result = model_with_tools.invoke([ai_message,ToolMessage(content=tool_result, tool_call_id=tool_call["id"])
])print(final_result.content)  # 实际输出：最终答案： 123 加 456 等于 579。

方法 2：用 LangGraph 的 ToolNode

LangGraph 专门为这种场景做了封装，你只要把工具交给 ToolNode，它会自动检测 tool_calls → 执行 → 把结果再反馈给模型。

from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.prebuilt import ToolNode# 定义工具节点
tools = [add_numbers]
tool_node = ToolNode(tools)# 定义模型节点
def call_model(state: MessagesState):response = model_with_tools.invoke(state["messages"])return {"messages": [response]}  # 必须返回 dict# 定义工作流
workflow = StateGraph(MessagesState)
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)
workflow.add_edge(START, "agent")# 条件判断：模型是否要调用工具
def should_continue(state: MessagesState):last_msg = state["messages"][-1]return "tools" if getattr(last_msg, "tool_calls", None) else ENDworkflow.add_conditional_edges("agent", should_continue, ["tools", END])
workflow.add_edge("tools", "agent")graph = workflow.compile()# 执行
result = graph.invoke({"messages": [("user", "帮我计算 123+456")]})
print("最终答案：", result["messages"][-1].content)
# 最终答案： 123 + 456 = 579

旧版本 LangGraph Python里使用MessagesAnnotation：

from langgraph.prebuilt import ToolNode
from langgraph.graph import StateGraph, MessagesAnnotation, START, END# 1. 定义工具节点
tools = [add_numbers]
tool_node = ToolNode(tools)# 2. 定义模型节点
def call_model(state: MessagesAnnotation.State):return {"messages": [model_with_tools.invoke(state["messages"])]}# 3. 定义图
workflow = StateGraph(MessagesAnnotation)
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)# 4. 逻辑：模型调用工具 → 工具执行 → 回到模型
workflow.add_edge(START, "agent")
workflow.add_conditional_edges("agent",lambda state: "tools" if state["messages"][-1].tool_calls else END,["tools", END],
)
workflow.add_edge("tools", "agent")graph = workflow.compile()# 5. 执行
result = graph.invoke({"messages": [("user", "帮我计算 123+456")]})
print(result["messages"][-1].content)

方法 3：用 AgentExecutor

LangChain 有 AgentExecutor，可以自动处理工具调用，尤其是想要 “让模型自由选择工具” 时。开箱即用，逻辑封装好，适合快速跑 demo，但灵活度不如 LangGraph。
支持多个工具也更简单：tools = [add_numbers, subtract_numbers]；agent = create_openai_functions_agent(llm, tools)
agent 会打印执行轨迹（调用了哪个工具、返回了什么），用于调试。

from langchain.agents import initialize_agent, AgentTypeagent = initialize_agent(tools=[add_numbers],llm=model,agent_type=AgentType.OPENAI_FUNCTIONS
)result = agent.invoke({"input": "帮我计算 123+456"})
print(result["output"])

注意事项

如果没有tool_calls

AgentExecutor：直接输出 Final Answer。
LangGraph：你要在条件分支里处理这种情况。
手动执行工具：需要自己判断 tool_calls 是否为空。

调用报错

正确的情况
错误的情况：
- 工具参数定义是 input: str，模型就可能输出 "123,456"、'123,456'、甚至 {"input": "'123,456'"}。Agent 里最常见，因为它全自动调用工具，最容易出脏数据。
- ValueError: invalid literal for int() with base 10: "'123"，模型返回的参数带了引号，input.split(“,”) 得到的是 [“'123”, “456’”]，转 int报错：

修复方法

方法 1：在工具里清理参数

@tool
def add_numbers(input: str) -> str:"""Add two numbers together. 输入格式: 'a,b'"""# 去掉可能的引号和空格cleaned = input.strip().replace("'", "").replace('"', "")a, b = map(int, cleaned.split(","))return str(a + b)

方法 2：直接用结构化参数

from langchain_core.tools import StructuredTool
from pydantic import BaseModelclass AddInput(BaseModel):a: intb: intdef add_numbers(a: int, b: int) -> str:"""Add two numbers together"""return str(a + b)add_tool = StructuredTool.from_function(func=add_numbers,args_schema=AddInput,name="add_numbers",description="Add two numbers together"
)