在 LangChain 中，Tools（工具）是指可以被大模型调用的函数或接口。

假设你问 ChatGPT：“帮我把桌面上的 report.pdf 移动到 Documents 文件夹”。ChatGPT 会回答：“我无法直接操作您的文件系统，但您可以手动进行以下操作……”

为什么它做不到？因为它只是个语言模型，没有操作系统权限。

但在 LangChain 里，我们可以给大模型定义一个"移动文件"的工具。当用户发出同样的请求时，大模型会：

分析用户意图：“哦，用户想移动文件”
选择对应的工具：“我有一个 MoveFileTool”
提取参数：“源路径是 Desktop/report.pdf，目标路径是 Documents/”
调用工具，真正执行移动操作
这就是 Tools 的作用。

在大语言模型应用开发中，单纯的模型对话能力往往不足以解决需要实时信息、特定计算或外部数据的问题。LangChain 框架提供的 Agent（智能体）机制，能够让模型根据问题自动判断是否需要调用外部工具（Tools），并利用工具返回的结果生成最终答案。本文将结合调用通义千问 + Tavily 网络搜索的实战代码，详解 Agent Tools 的核心使用方法。

一、核心原理

Agent 本质是具备 “决策能力” 的大模型封装，其核心逻辑分为三步：

1. 解析用户问题，判断是否需要调用外部工具；
2. 若需要，选择合适的工具并传入正确的参数执行；
3. 获取工具返回结果，结合自身知识生成最终回答。

本文示例中，我们将实现：让通义千问模型（qwen-plus）在回答 “2023 年诺贝尔物理学奖得主” 这类需要实时信息的问题时，自动调用 Tavily 网络搜索工具获取准确答案。

二、完整实战代码

1. 环境准备

首先安装所需依赖：

pip install langchain langchain-openai langchain-tavily python-dotenv pydantic

2. 完整代码（含详细注释）

# 1. 加载环境变量（保护API密钥，避免硬编码）
from dotenv import load_dotenv
load_dotenv()  # 自动读取项目根目录的.env文件

import os
from pydantic import SecretStr  # 安全存储敏感信息
from langchain_openai import ChatOpenAI  # 兼容OpenAI接口的LLM封装
from langchain.agents import create_agent  # Agent创建工具
from langchain_tavily import TavilySearch  # Tavily网络搜索工具

# 2. 初始化大语言模型（通义千问，兼容OpenAI接口）
llm = ChatOpenAI(
    # 阿里云通义千问的兼容接口地址
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model="qwen-plus",  # 通义千问增强版模型
    # 从环境变量读取API密钥，用SecretStr加密存储
    api_key=SecretStr(os.environ["DASHSCOPE_API_KEY"]),
)

# 3. 初始化外部工具：Tavily网络搜索
web_search = TavilySearch(
    api_key=os.environ["TAVILY_API_KEY"],  # 从环境变量读取Tavily密钥
    max_results=2,  # 限制搜索结果数量，减少冗余
    search_depth="basic"  # 基础搜索模式（速度快，适合通用问题）
)

# 4. 创建Agent（绑定模型+工具+系统提示）
agent = create_agent(
    model=llm,  # 核心大模型
    tools=[web_search],  # 可调用的工具列表（支持多个工具）
    # 系统提示：定义Agent的角色和行为准则
    system_prompt="你是一名多才多艺的智能助手，擅长分析问题并调用合适的工具解决问题。"
)

# 5. 运行Agent，处理用户问题
result = agent.invoke(
    {
        "messages": [
            {"role": "user", "content": "请帮我查询2023年诺贝尔物理学奖得主是谁？"}
        ]
    }
)

# 6. 提取并输出最终答案
final_answer = result['messages'][-1].content
print("Agent最终回答：")
print(final_answer)

3. 环境变量配置（.env 文件）

在项目根目录创建.env文件，填入你的 API 密钥（需提前申请）：

# 阿里云通义千问API密钥（从灵积平台获取）
DASHSCOPE_API_KEY=your_dashscope_api_key
# Tavily搜索API密钥（从Tavily官网获取）
TAVILY_API_KEY=your_tavily_api_key

接入内置工具
LangChain 提供了丰富的内置工具库（搜索、数据库、Slack、Jira、文件系统等），可通过 langchain_community 快速接入。

LangChain内置工具列表：https://python.langchain.com/docs/integrations/tools/
以其中内置的TavilySearchResults网络搜索工具为例，借助Tavily进行网络搜索和信息爬取。来介绍如何将内置工具接入create_agent中。

需要先在tavily官网注册并获得API-KEY（每月有免费额度）：https://www.tavily.com/
 

三、关键代码解析

1. 模型初始化：兼容 OpenAI 接口的 LLM

llm = ChatOpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model="qwen-plus",
    api_key=SecretStr(os.environ["DASHSCOPE_API_KEY"]),
)

• base_url：指定通义千问的 OpenAI 兼容接口，让 LangChain 的 ChatOpenAI 类可以无缝调用阿里云模型；
• SecretStr：Pydantic 提供的敏感信息加密存储类，避免 API 密钥明文暴露；
• os.environ[]：从环境变量读取密钥，是生产环境的最佳实践（避免硬编码密钥）。

2. 工具初始化：TavilySearch

web_search = TavilySearch(
    api_key=os.environ["TAVILY_API_KEY"],
    max_results=2,
    search_depth="basic"
)

• max_results：控制搜索结果数量，减少模型处理的冗余信息；
• search_depth：可选basic（基础）或advanced（高级），高级模式搜索更全面但速度稍慢；
• Tavily 是专为 LLM 设计的轻量级搜索工具，返回结果格式简洁，适合模型直接解析。

3. Agent 创建：核心绑定逻辑

agent = create_agent(
    model=llm,
    tools=[web_search],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

• tools参数接收工具列表，支持同时绑定多个工具（如搜索、计算器、数据库查询等）；
• system_prompt用于引导 Agent 的行为，明确告知其 “可以调用工具解决问题”，避免模型仅凭自身知识回答。

4. 执行 Agent 并提取结果

result = agent.invoke({"messages": [{"role": "user", "content": "问题内容"}]})
final_answer = result['messages'][-1].content

• invoke()方法接收符合 Chat Message 格式的输入，返回包含完整交互过程的结果；
• result['messages']是按顺序排列的消息列表，最后一条即为 Agent 的最终回答。

四、扩展与优化建议

1. 多工具集成：在tools列表中添加更多工具（如Calculator、WikipediaQueryRun），让 Agent 具备多场景处理能力；
2. 工具调用规则优化：通过更精准的system_prompt限定工具调用条件（如 “仅当问题涉及 2020 年后的实时信息时调用搜索工具”）；
3. 错误处理：添加 try-except 捕获工具调用失败（如 API 密钥错误、网络问题），提升代码健壮性；
4. 结果格式化：对 Agent 返回的回答进行结构化处理（如 JSON、markdown），适配不同展示场景。

五、运行效果示例

输入问题：请帮我查询2023年诺贝尔物理学奖得主是谁？Agent 会自动调用 Tavily 搜索工具，获取准确信息后返回：

plaintext

2023年诺贝尔物理学奖授予了皮埃尔·阿戈斯蒂尼（Pierre Agostini）、费伦茨·克劳斯（Ferenc Krausz）和安妮·吕利耶（Anne L'Huillier），以表彰他们在产生阿秒光脉冲方面的实验方法的发明，这一成果为研究物质的电子动力学提供了全新的工具。

---

六  自定义工具：@tool 装饰

定义一个工具最简单的方式就是用 @tool 装饰器。

2.1 最基础的用法

from langchain_core.tools import tool

@tool
def add_numbers(a: int, b: int) -> int:
    """计算两个整数的和"""
    return a + b

# 看看这个工具的属性
print(f"工具名称: {add_numbers.name}")
print(f"工具参数: {add_numbers.args}")
print(f"工具描述: {add_numbers.description}")
print(f"直接返回: {add_numbers.return_direct}")

输出：

工具名称: add_numbers
工具参数: {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}
工具描述: 计算两个整数的和
直接返回: False

写一个普通函数
加上类型注解（a: int, b: int -> int）
写个 docstring（三引号注释）
加个 @tool 装饰器
LangChain 就会自动把它变成一个工具！工具的描述会自动从 docstring 里提取，参数信息会从类型注解里推断。

2.2 带参数的装饰器
如果你想自定义工具的名字、描述等属性，可以给 @tool 传参数：

@tool(
    name_or_callable="add_two_numbers",     # 自定义工具名称
    return_direct=True,                      # 是否直接返回结果
    description="这是一个计算两个整数和的函数"  # 自定义描述
)
def add_numbers(a: int, b: int) -> int:
    """计算两个整数的和"""
    return a + b

print(f"工具名称: {add_numbers.name}")
print(f"直接返回: {add_numbers.return_direct}")
print(f"工具描述: {add_numbers.description}")
输出：

工具名称: add_two_numbers
直接返回: True
工具描述: 这是一个计算两个整数和的函数

这里的 return_direct=True 是个挺有意思的参数。如果设置为 True，Agent 调用这个工具后会直接返回结果，不会再做额外处理。如果是 False（默认值），Agent 可能会拿着结果继续思考、继续调用其他工具。

2.3 使用 Pydantic 精确控制参数
有时候你想给参数加更详细的说明，让大模型更容易理解这个参数的含义。这时候可以用 Pydantic 的 BaseModel：

from pydantic import BaseModel, Field

class FieldInfo(BaseModel):
    a: int = Field(description="第一个整型参数")
    b: int = Field(description="第二个整型参数")

@tool(
    name_or_callable="add_two_numbers",
    return_direct=True,
    description="这是一个计算两个整数和的函数",
    args_schema=FieldInfo  # 使用 Pydantic 模型定义参数
)
def add_numbers(a: int, b: int) -> int:
    """计算两个整数的和"""
    return a + b

print(add_numbers.args)

输出：

{
    'a': {'description': '第一个整型参数', 'type': 'integer'},
    'b': {'description': '第二个整型参数', 'type': 'integer'}
}

这样一来，大模型在分析用户输入时，会更清楚每个参数的含义，调用工具的准确度也会提高。
 

总结

1. LangChain 的 Agent 核心价值是让大模型具备 “调用外部工具解决问题” 的能力，突破模型自身知识的局限性；
2. Agent 使用的核心步骤：初始化模型 → 初始化工具 → 绑定模型 + 工具 + 提示词 → 执行并提取结果；
3. 生产环境中需通过环境变量 + SecretStr 保护 API 密钥，避免硬编码带来的安全风险。