LangChain 中 “附加 OpenAI 函数” 和 “附加 OpenAI 工具”

要理解 LangChain 中“附加 OpenAI 函数”和“附加 OpenAI 工具”，核心是先抓住一个大前提：OpenAI 模型（如 GPT-3.5/4）本身支持“函数调用能力”——模型能根据用户需求，自主决定是否调用你定义的外部功能（比如查天气、算股票、调用API），而不是只输出自然语言。

LangChain 的这两个操作，本质是把 OpenAI 的“原生函数调用能力”和 LangChain 的“链式流程（Expression Language）”结合起来，让你更方便地让模型调用外部功能。下面分两部分拆解，结合文档和通俗例子讲清楚：

一、先搞懂：为什么需要“附加函数/工具”？

模型本身有局限：比如 GPT-4 不知道“2025年9月30日北京的实时天气”（没有实时数据）、算不了“123456789×987654321”（复杂计算容易错）、没法直接调用你的本地数据库。

这时候就需要让模型“借力”——调用外部的函数/工具来完成这些事。而“附加”的动作，就是告诉模型：“你可以调用这些函数/工具，它们的作用是XXX，参数要这么传”。

二、附加 OpenAI 函数：给模型绑定“原生函数定义”

1. 是什么？

“附加 OpenAI 函数”，是指把 符合 OpenAI 函数格式要求的“纯函数定义”（比如“查天气”的函数逻辑、参数说明），通过 bind 方法绑定到 OpenAI 模型上。

这里的“函数”是 OpenAI 原生支持的格式（不是随便写的 Python 函数），必须包含 3 个核心信息：

• name：函数名（模型调用时会用这个名字）；
• description：函数的作用（模型靠这个判断“是否需要调用这个函数”，比如“获取指定城市的实时天气”）；
• parameters：函数需要的参数（比如“城市名”“日期”，还要说明参数类型、是否必填）。

2. 为什么用？

让模型知道“有哪些函数可以调用”，并能自主判断：“用户的问题是否需要调用这个函数，以及该传什么参数”。

比如用户问“北京今天天气怎么样”，模型看到绑定的“查天气”函数，就会输出一个“函数调用指令”（而不是直接编天气），告诉你“需要调用 get_current_weather 函数，参数是 city="北京"”。

3. 怎么用？（结合文档例子）

文档里用了“查天气”的例子，我们拆解步骤：

步骤1：定义符合 OpenAI 格式的函数

# 1. 定义一个“查天气”的函数（符合 OpenAI 格式）
get_weather_function = {"name": "get_current_weather",  # 函数名"description": "获取指定城市的实时天气",  # 函数作用（模型靠这个判断是否调用）"parameters": {"type": "object","properties": {"city": {"type": "string","description": "城市名称，比如北京、上海",  # 参数说明（模型靠这个传对参数）},"unit": {"type": "string","enum": ["celsius", "fahrenheit"],"description": "温度单位，默认摄氏度",},},"required": ["city"],  # 必填参数},
}

步骤2：把函数“附加”到 OpenAI 模型上

用 model.bind(functions=[...]) 把函数绑定到模型——这就是“附加”的核心动作：

from langchain_openai import ChatOpenAI# 2. 初始化 OpenAI 模型，并附加上面的函数
model = ChatOpenAI(model="gpt-3.5-turbo")
model_with_function = model.bind(functions=[get_weather_function])

步骤3：让模型判断是否调用函数

# 3. 给模型发用户问题，模型会判断是否调用函数
response = model_with_function.invoke("北京今天的天气怎么样？")
print(response)

输出结果（模型会返回“函数调用指令”）：

content=None  # 模型不直接回答，而是调用函数
additional_kwargs={"function_call": {"name": "get_current_weather",  # 要调用的函数名"arguments": '{"city":"北京","unit":"celsius"}'  # 要传的参数}
}

这就是“附加 OpenAI 函数”的效果：模型没有编天气，而是输出了“调用查天气函数”的指令，接下来你只需要执行这个函数（比如调用天气API），再把结果返回给模型，模型就能整理成自然语言回答了。

三、附加 OpenAI 工具：给模型绑定“LangChain 封装的工具”

1. 是什么？

“附加 OpenAI 工具”，是指把 LangChain 格式的 Tool（工具） 绑定到 OpenAI 模型上。

这里的“工具”和上面的“函数”是什么关系？
→ LangChain 的 Tool 是对“原生函数”的上层封装：它不仅包含了“函数的定义（name/description/parameters）”，还包含了“函数的具体执行逻辑”（比如“查天气”工具里，已经写好了调用天气API的代码）。

简单说：函数是“说明书”，工具是“说明书+能直接用的机器”。

2. 为什么用？

LangChain 的 Tool 已经帮你做好了“函数执行逻辑”的封装，不需要你自己写“调用天气API”的代码；同时，Tool 能更好地融入 LangChain 的生态（比如和其他组件串联成链条、支持事件流等）。

比如上面的“查天气”，如果用 Tool，你不需要自己写 API 调用代码，直接用 LangChain 现成的天气 Tool，或者自己封装一个包含执行逻辑的 Tool 即可。

3. 怎么用？（结合文档逻辑扩展）

步骤1：定义 LangChain 格式的 Tool（包含执行逻辑）

用 @tool 装饰器封装一个 Tool，里面既包含“函数描述”，也包含“执行逻辑”：

from langchain_core.tools import tool
import requests  # 假设用 requests 调用天气API# 1. 定义一个“查天气”的 Tool（包含执行逻辑）
@tool
def get_current_weather(city: str, unit: str = "celsius"):"""获取指定城市的实时天气。  # Tool 的描述（对应函数的 description）Args:city: 城市名称，比如北京、上海（对应函数的 parameters.city）unit: 温度单位，可选 "celsius"（摄氏度）或 "fahrenheit"（华氏度）"""# 下面是 Tool 的核心：具体执行逻辑（调用天气API）api_key = "你的天气API密钥"url = f"https://api.weatherapi.com/v1/current.json?key={api_key}&q={city}&aqi=no"response = requests.get(url).json()temp = response["current"]["temp_c"] if unit == "celsius" else response["current"]["temp_f"]return f"{city}当前温度：{temp}°{unit}"

步骤2：把 Tool 转换为 OpenAI 函数格式，再附加到模型

LangChain 提供了 format_tool_to_openai_function 工具，能把 LangChain 的 Tool 自动转换成 OpenAI 原生的函数格式，然后用 bind 附加：

from langchain_core.utils.function_calling import format_tool_to_openai_function# 2. 把 Tool 转成 OpenAI 函数格式
openai_weather_function = format_tool_to_openai_function(get_current_weather)# 3. 附加到模型上
model_with_tool = model.bind(functions=[openai_weather_function])

步骤3：模型调用 Tool（先判断，再执行）

# 3. 第一步：模型判断需要调用 Tool，输出调用指令
response = model_with_tool.invoke("北京今天天气怎么样？")
print(response)  # 输出和之前类似的“函数调用指令”# 4. 第二步：执行 Tool（用 LangChain 的 Tool 直接调用，不需要自己写逻辑）
from langchain_core.functions import FunctionMessage# 提取模型输出的函数调用信息
function_call = response.additional_kwargs["function_call"]
function_name = function_call["name"]
function_args = eval(function_call["arguments"])  # 解析参数# 执行 Tool（直接调用 Tool 对象）
tool_result = get_current_weather(** function_args)# 5. 第三步：把 Tool 结果返回给模型，让模型整理成自然语言
final_response = model.invoke([("user", "北京今天天气怎么样？"),("function", function_name, tool_result)  # 把 Tool 结果传给模型
])
print(final_response.content)  # 输出：北京当前温度：22°C，天气晴朗...

四、核心总结：附加函数 vs 附加工具

对比维度	附加 OpenAI 函数	附加 OpenAI 工具
本质	给模型传“函数说明书”（name/description/parameters）	给模型传“说明书+能执行的机器”（包含函数定义+执行逻辑）
执行逻辑	只给定义，需要你自己写“调用函数”的代码	封装了执行逻辑，直接调用 Tool 即可
依赖	依赖 OpenAI 原生函数格式	依赖 LangChain 的 Tool 格式
适用场景	简单场景，自己能写执行逻辑	复杂场景，想复用 LangChain 生态，减少重复代码

简单说：

• 如果你只需要让模型“知道有这个函数”，自己写执行逻辑，用“附加函数”；
• 如果你想直接用“能跑的工具”，融入 LangChain 链条，用“附加工具”。

五、文档里的关键逻辑再强调

文档里的 binding（绑定）动作，不管是绑定 stop 词、函数还是工具，核心都是 通过 bind 方法，把参数/配置“提前传给模型”，让模型在调用时能使用这些配置。

比如：

• model.bind(stop="SOLUTION")：提前告诉模型“遇到 SOLUTION 就停止”；
• model.bind(functions=[...])：提前告诉模型“你可以调用这些函数/工具”。

这样做的好处是，你可以把“模型配置”和“后续调用”分开，让链条更清晰、更易复用。