在使用大模型时，你是否遇到过这样的困境：

• 大模型的训练数据截止到某一时间点，无法回答实时问题（如 “今天北京的天气怎么样？”）；
• 大模型擅长文本生成，但不擅长精确计算（如 “123456*789012 等于多少？”）；
• 大模型无法直接访问你的私有数据（如公司数据库、本地文件）。

这些问题的根源在于大模型本身的局限性—— 它是一个 “文本生成器”，没有直接与外部世界交互的能力。而 LangChain 的Tools 系统正是为解决这一痛点而生，它能让大模型调用外部工具，实现与外部世界的交互，拥有 “超能力”。

本文将从工具的基本概念到实战案例，带你全面掌握 LangChain Tool 的创建与使用，重点使用@tool装饰器（LangChain 推荐的方式）。

---

一、什么是 LangChain Tool？

1. 定义：大模型的 “外部接口”

LangChain Tool 是大模型与外部工具交互的桥梁，它允许大模型调用外部工具（如搜索引擎、计算器、数据库、API 等），获取实时信息或执行特定任务。

简单来说，Tools 系统让大模型从 “文本生成器” 升级为 “任务解决者”—— 不仅能生成文本，还能调用工具解决实际问题。

2. 核心价值

• 扩展能力边界：让大模型能处理实时信息、精确计算、私有数据访问等原本无法处理的任务；
• 提升输出准确性：通过调用工具获取真实数据，减少大模型的 “幻觉”；
• 实现复杂任务：将多个工具串联，实现多步任务（如 “生成旅行计划→查询机票价格→推荐酒店”）。

---

二、LangChain Tool 的核心结构

一个 LangChain Tool 通常包含以下三个部分：

• 名称（name）：工具的唯一标识，大模型通过名称选择工具；
• 描述（description）：工具的功能说明，大模型通过描述判断是否需要调用该工具；
• 函数（func）：工具的执行逻辑，实际调用外部工具的代码。

在 LangChain 中，推荐使用@tool装饰器来定义工具，它能自动处理工具的名称、描述和函数的绑定，让代码更简洁。

---

三、使用@tool装饰器创建工具

1. 基本用法：创建简单工具

from langchain.tools import tool

@tool("weather_tool")
def get_weather(city: str) -> str:
    """获取指定城市的实时天气信息"""
    # 这里模拟调用天气API，实际开发中替换为真实API调用
    weather_data = {
        "北京": "晴，20-28℃",
        "上海": "多云，22-30℃",
        "广州": "小雨，24-26℃"
    }
    return f"{city}的天气：{weather_data.get(city, '暂无数据')}"

# 测试工具
result = get_weather.run("北京")
print(result)  # 输出：北京的天气：晴，20-28℃

关键说明：

• @tool("weather_tool")：装饰器参数为工具的名称（weather_tool）；
• 函数的文档字符串（"""获取指定城市的实时天气信息"""）作为工具的描述；
• 函数的参数和返回值作为工具的输入和输出。

2. 带参数验证的工具

为了确保工具接收的参数符合要求，可以在工具函数中添加参数验证：

from langchain.tools import tool

@tool("flight_price_tool")
def get_flight_price(route: str) -> str:
    """获取指定航线的机票价格，输入格式为“出发地-目的地 日期”（如“北京-上海 2024-06-01”）"""
    # 参数验证
    if "-" not in route or " " not in route:
        return "输入格式错误，请使用“出发地-目的地 日期”格式（如“北京-上海 2024-06-01”）"
    
    # 模拟调用机票API
    flight_data = {
        "北京-上海 2024-06-01": "经济舱：500-800元，商务舱：1200-1800元",
        "上海-北京 2024-06-01": "经济舱：450-750元，商务舱：1100-1700元"
    }
    return f"{route}的机票价格：{flight_data.get(route, '暂无数据')}"

# 测试工具
result = get_flight_price.run("北京-上海 2024-06-01")
print(result)  # 输出：北京-上海 2024-06-01的机票价格：经济舱：500-800元，商务舱：1200-1800元

result = get_flight_price.run("北京上海2024-06-01")
print(result)  # 输出：输入格式错误，请使用“出发地-目的地 日期”格式（如“北京-上海 2024-06-01”）

3. 带 Pydantic 参数验证的工具

对于更复杂的参数验证，可以使用 Pydantic 模型来定义工具的输入参数：

from langchain.tools import tool
from pydantic import BaseModel, Field

# 定义参数模型
class FlightPriceInput(BaseModel):
    departure: str = Field(description="出发城市")
    destination: str = Field(description="目的地城市")
    date: str = Field(description="出行日期，格式为YYYY-MM-DD")

@tool("flight_price_tool", args_schema=FlightPriceInput)
def get_flight_price(departure: str, destination: str, date: str) -> str:
    """获取指定航线的机票价格"""
    # 模拟调用机票API
    route = f"{departure}-{destination} {date}"
    flight_data = {
        "北京-上海 2024-06-01": "经济舱：500-800元，商务舱：1200-1800元"
    }
    return f"{route}的机票价格：{flight_data.get(route, '暂无数据')}"

# 测试工具
result = get_flight_price.run({"departure": "北京", "destination": "上海", "date": "2024-06-01"})
print(result)  # 输出：北京-上海 2024-06-01的机票价格：经济舱：500-800元，商务舱：1200-1800元

关键说明：

• args_schema=FlightPriceInput：指定参数验证的 Pydantic 模型；
• 工具函数的参数需要与 Pydantic 模型的字段一一对应；
• 调用工具时，需要传递字典格式的参数。

---

四、工具的调用方式

1. 直接调用工具

最直接的方式是直接调用工具的run方法：

result = get_weather.run("北京")
print(result)  # 输出：北京的天气：晴，20-28℃

2. 通过 Agent 调用工具

Agent 是能自主决策并调用工具的大模型，它能根据用户需求判断是否需要调用工具、调用哪个工具、如何使用工具结果生成最终回答。

代码示例：使用 ZeroShotAgent 调用工具

from langchain.agents import initialize_agent, AgentType
from langchain_openai import ChatOpenAI
from langchain.tools import tool

# 1. 创建工具
@tool("weather_tool")
def get_weather(city: str) -> str:
    """获取指定城市的实时天气信息"""
    weather_data = {
        "北京": "晴，20-28℃",
        "上海": "多云，22-30℃"
    }
    return f"{city}的天气：{weather_data.get(city, '暂无数据')}"

@tool("calculator_tool")
def calculate(expression: str) -> str:
    """执行数学计算，输入参数为数学表达式（如123+456）"""
    try:
        result = eval(expression)
        return f"计算结果：{result}"
    except Exception as e:
        return f"计算错误：{str(e)}"

# 2. 初始化大模型
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)

# 3. 初始化Agent
tools = [get_weather, calculate]
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True  # 开启调试模式，查看Agent的思考过程
)

# 4. 测试Agent
# 测试天气查询
result = agent.invoke("今天北京的天气怎么样？")
print(result["output"])

# 测试数学计算
result = agent.invoke("123456*789012等于多少？")
print(result["output"])

# 测试复杂问题
result = agent.invoke("我明天要去北京出差，需要穿什么衣服？")
print(result["output"])

输出结果（调试模式）：

> Entering new AgentExecutor chain...
我需要获取北京今天的天气信息，然后根据天气建议穿什么衣服。首先调用weather_tool获取北京的天气。
Action: weather_tool
Action Input: 北京
Observation: 北京的天气：晴，20-28℃
Thought: 北京今天晴，20-28℃，天气比较舒适，建议穿长袖衬衫或薄外套，搭配长裤。
Final Answer: 北京今天晴，20-28℃，天气比较舒适，建议穿长袖衬衫或薄外套，搭配长裤。
> Finished chain.

关键说明：

• verbose=True可以查看 Agent 的思考过程，包括为什么调用工具、调用哪个工具、工具返回结果等；
• Agent 会根据工具的描述自动判断是否需要调用工具，无需手动指定；
• 复杂问题中，Agent 会自动串联多个工具，实现多步任务。

---

五、实战案例：构建智能旅行助手

需求分析

开发一个智能旅行助手，具备以下功能：

1. 能根据用户的出发地、目的地、出行日期生成旅行计划；
2. 能查询机票价格、酒店推荐、当地天气等信息；
3. 能根据用户的预算和偏好调整旅行计划；
4. 支持多轮对话，记住用户的上下文信息。

实现步骤

from langchain.agents import initialize_agent, AgentType
from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.tools import tool
from langchain_community.tools import SerpAPIWrapper

# 1. 初始化内置工具
search = SerpAPIWrapper()

# 2. 自定义工具
@tool("flight_price_tool")
def get_flight_price(route: str) -> str:
    """获取指定航线的机票价格，输入格式为“出发地-目的地 日期”（如“北京-上海 2024-06-01”）"""
    # 参数验证
    if "-" not in route or " " not in route:
        return "输入格式错误，请使用“出发地-目的地 日期”格式（如“北京-上海 2024-06-01”）"
    
    # 模拟调用机票API
    flight_data = {
        "北京-上海 2024-06-01": "经济舱：500-800元，商务舱：1200-1800元",
        "上海-北京 2024-06-01": "经济舱：450-750元，商务舱：1100-1700元"
    }
    return f"{route}的机票价格：{flight_data.get(route, '暂无数据')}"

@tool("hotel_recommendation_tool")
def recommend_hotel(city: str, budget: str) -> str:
    """根据城市和预算推荐酒店，输入格式为“城市 预算”（如“北京 500元/晚”）"""
    # 模拟调用酒店API
    hotel_data = {
        "北京 500元/晚": "推荐：如家快捷酒店、7天连锁酒店，价格400-600元/晚",
        "上海 1000元/晚": "推荐：希尔顿酒店、万豪酒店，价格800-1200元/晚"
    }
    return f"{city}预算{budget}的酒店推荐：{hotel_data.get(f'{city} {budget}', '暂无数据')}"

@tool("weather_tool")
def get_weather(city: str) -> str:
    """获取指定城市的实时天气信息"""
    weather_data = {
        "北京": "晴，20-28℃",
        "上海": "多云，22-30℃"
    }
    return f"{city}的天气：{weather_data.get(city, '暂无数据')}"

# 3. 初始化Memory
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)

# 4. 初始化大模型和Agent
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.7)
tools = [search, get_flight_price, recommend_hotel, get_weather]
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory,
    verbose=True
)

# 5. 测试旅行助手
print("智能旅行助手：您好，我是您的智能旅行助手，请问有什么可以帮您的？")
while True:
    user_input = input("您：")
    if user_input.lower() in ["再见", "退出"]:
        print("智能旅行助手：再见，祝您旅途愉快！")
        break
    result = agent.invoke({"input": user_input})
    print(f"智能旅行助手：{result['output']}")

测试对话示例

智能旅行助手：您好，我是您的智能旅行助手，请问有什么可以帮您的？
您：我明天要从北京去上海出差，预算1000元/晚，帮我安排一下行程。
> Entering new AgentExecutor chain...
用户需要从北京去上海出差，日期是明天，预算1000元/晚。我需要先获取明天北京到上海的机票价格，然后推荐上海预算1000元/晚的酒店，最后生成行程计划。
Action: flight_price_tool
Action Input: 北京-上海 2024-06-01
Observation: 北京-上海 2024-06-01的机票价格：经济舱：500-800元，商务舱：1200-1800元
Thought: 接下来推荐上海预算1000元/晚的酒店。
Action: hotel_recommendation_tool
Action Input: 上海 1000元/晚
Observation: 上海预算1000元/晚的酒店推荐：推荐：希尔顿酒店、万豪酒店，价格800-1200元/晚
Thought: 现在生成行程计划。
Final Answer: 您的上海出差行程安排如下：
1. 交通：明天（2024-06-01）北京到上海的机票价格为经济舱500-800元，商务舱1200-1800元，建议提前预订。
2. 住宿：推荐上海的希尔顿酒店或万豪酒店，价格800-1200元/晚，符合您1000元/晚的预算。
3. 行程建议：到达上海后可以先办理入住，然后根据工作安排进行商务活动，晚上可以在酒店附近的餐厅用餐。
> Finished chain.
智能旅行助手：您的上海出差行程安排如下：
1. 交通：明天（2024-06-01）北京到上海的机票价格为经济舱500-800元，商务舱1200-1800元，建议提前预订。
2. 住宿：推荐上海的希尔顿酒店或万豪酒店，价格800-1200元/晚，符合您1000元/晚的预算。
3. 行程建议：到达上海后可以先办理入住，然后根据工作安排进行商务活动，晚上可以在酒店附近的餐厅用餐。
您：帮我查询一下明天上海的天气。
> Entering new AgentExecutor chain...
用户需要查询明天上海的天气，调用weather_tool工具。
Action: weather_tool
Action Input: 上海
Observation: 上海的天气：多云，22-30℃
Thought: 明天上海的天气是多云，22-30℃。
Final Answer: 明天上海的天气是多云，22-30℃。
> Finished chain.
智能旅行助手：明天上海的天气是多云，22-30℃。

---

五、高级技巧：工具的进阶使用

1. 工具的批量调用

在 Agent 中，可以通过batch方法批量调用工具，提高效率：

results = agent.batch([
    {"input": "今天北京的天气怎么样？"},
    {"input": "123+456等于多少？"},
    {"input": "北京到上海的机票价格是多少？"}
])
for result in results:
    print(result["output"])

2. 工具的权限控制

在生产环境中，需要对工具的调用进行权限控制，避免滥用：

from langchain.tools import tool

def check_permission(user_id: str, tool_name: str) -> bool:
    """检查用户是否有权限调用该工具"""
    # 模拟权限验证逻辑
    allowed_users = {
        "user1": ["weather_tool", "calculator_tool"],
        "user2": ["flight_price_tool"]
    }
    return tool_name in allowed_users.get(user_id, [])

@tool("weather_tool")
def get_weather(city: str, user_id: str) -> str:
    """获取指定城市的实时天气信息"""
    if not check_permission(user_id, "weather_tool"):
        return "您没有权限调用该工具"
    # 实际逻辑
    weather_data = {
        "北京": "晴，20-28℃"
    }
    return f"{city}的天气：{weather_data.get(city, '暂无数据')}"

3. 工具的异步调用

对于 IO 密集型的工具（如调用外部 API），可以使用异步函数来提高效率：

from langchain.tools import tool
import httpx

@tool("async_weather_tool")
async def get_async_weather(city: str) -> str:
    """异步获取指定城市的实时天气信息"""
    # 模拟调用异步天气API
    async with httpx.AsyncClient() as client:
        # 实际开发中替换为真实API
        response = await client.get(f"https://api.weather.com/weather?city={city}")
        weather_data = response.json()
        return f"{city}的天气：{weather_data.get('weather', '暂无数据')}"

---

六、最佳实践与注意事项

1. 工具描述要清晰：工具的描述越清晰，Agent 越容易判断是否需要调用该工具，避免错误调用；
2. 参数格式要明确：在工具描述中明确参数格式，帮助 Agent 正确传递参数；
3. 错误处理要完善：在工具函数中添加错误处理，避免工具调用失败导致整个 Agent 崩溃；
4. 权限控制要严格：生产环境中，对工具的调用进行权限控制，避免滥用；
5. 性能优化要重视：工具调用是 Agent 的性能瓶颈，需要优化工具的执行速度，避免长时间等待；
6. 监控日志要完整：记录工具的调用日志，包括调用时间、用户、参数、结果等，便于排查问题和优化。

---

七、总结

LangChain Tool 系统是大模型应用的 “超能力扩展器”，它让大模型从 “文本生成器” 升级为 “任务解决者”，能处理实时信息、精确计算、私有数据访问等原本无法处理的任务。

在实际开发中，推荐使用@tool装饰器来创建工具，它能自动处理工具的名称、描述和函数的绑定，让代码更简洁。同时，结合 Agent 使用工具，能实现自主决策和多步任务处理，打造真正的智能 AI 应用。

掌握 LangChain Tool 的创建与使用，是从 “简单对话机器人” 到 “智能 AI 助手” 的关键一步，让你的 AI 应用真正具备解决实际问题的能力！