大语言模型（LLM）虽能流畅对话、生成代码，但其能力始终局限于训练数据所覆盖的知识范围。它无法实时获取天气、查询数据库、执行计算或调用企业内部 API——除非我们赋予它“手脚”。LangChain 的 Tools 模块正是为此而生：通过声明式地注册外部函数，让 LLM 在推理过程中自主决定是否调用、调用哪个工具，并解析所需参数，从而将 AI 从“聊天机器人”升级为具备真实行动力的智能代理。

工具即能力：扩展 LLM 的边界

在 LangChain 中，一个 Tool 是一个带有元信息（名称、描述、参数 schema）的异步函数。开发者只需关注业务逻辑，框架负责将其转化为 LLM 可理解的接口：

const weatherTool = tool(
  async ({ city }) => {
    const weather = fakeWeatherDB[city];
    return weather 
      ? `城市${city}的天气是${weather.temp},${weather.condition}`
      : `城市${city}的天气信息不存在`;
  },
  {
    name: 'weather',
    description: '获取城市的天气信息',
    schema: z.object({
      city: z.string().describe('要查询天气的城市名称'),
    }),
  }
);

这里使用 zod 定义了输入参数的结构与类型约束。description 和字段的 describe 则作为自然语言提示，帮助 LLM 理解何时及如何使用该工具。这种设计使得工具注册既安全又语义清晰。

模型绑定工具：开启自主决策

注册工具后，需将其“绑定”到模型实例，使其在生成回复前具备工具调用的选项：

const model = new ChatDeepSeek({
  model: 'deepseek-chat',
  temperature: 0
}).bindTools([addTool, weatherTool]);

const res = await model.invoke('北京的天气');

当用户提问涉及实时数据时，模型不再尝试“编造”答案，而是返回一个 tool_calls 字段，明确指示应调用 weather 工具，并附上解析出的参数 { city: "北京" }。这标志着 LLM 从“猜测者”转变为“协调者”。

执行工具调用：连接虚拟与现实

拿到 tool_calls 后，应用需手动执行对应工具并返回结果：

if (res.tool_calls?.length) {
  const call = res.tool_calls[0];
  if (call.name === 'weather') {
    const result = await weatherTool.invoke(call.args);
    console.log(result); // 输出真实天气信息
  }
}

这一过程看似简单，却构成了 AI Agent 的核心循环：感知（用户输入）→ 决策（是否调用工具）→ 行动（执行工具）→ 反馈（将结果告知用户或用于下一步推理）。通过这种方式，LLM 能够动态接入任意外部系统，能力边界仅受限于开发者提供的工具集。

多工具协同：构建复杂任务流

一个应用通常需要多个工具协同工作。例如，同时支持天气查询与数学计算：

const addTool = tool(
  async ({ a, b }) => String(a + b),
  {
    name: 'add',
    description: '计算两个数字的和',
    schema: z.object({
      a: z.number(),
      b: z.number(),
    }),
  }
);

当用户问“北京温度加上5是多少？”，理想情况下，Agent 会先调用 weather 获取温度（如30°C），再调用 add 计算 30 + 5。虽然当前示例需手动处理单次调用，但结合 LangChain 的 Agent 执行器，可自动完成多步工具调用与结果串联，实现真正的端到端自动化。

类型安全与可维护性

使用 zod 定义参数 schema 不仅提升 LLM 的参数解析准确率，还带来强类型保障。在 TypeScript 项目中，工具函数的输入类型可自动推导，减少运行时错误。同时，每个工具自包含逻辑、描述与验证规则，便于团队协作与长期维护。

实际价值：从问答到服务

引入 Tools 后，AI 应用的形态发生质变：

• 客服系统：调用订单接口查询物流；
• 数据分析助手：执行 SQL 查询并生成图表；
• DevOps 机器人：根据日志触发部署或回滚；
• 个人助理：读取日历、发送邮件、控制智能家居。

这些场景的共同点是：LLM 负责理解意图与规划步骤，工具负责执行具体操作。二者分工明确，各司其职。

结语

LangChain 的 Tools 模块，本质上是在 LLM 与现实世界之间架设了一座桥梁。它不改变模型本身，而是通过标准化的接口，让 AI 能够“动手做事”。随着工具生态的丰富，未来的智能应用将不再是被动响应的问答机，而是能主动感知、决策、执行的数字员工。而这一切，始于一行 tool() 的声明。

     学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！​

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示

​因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。