大模型的能力边界：时效性挑战与解决方案

先看一段代码，猜猜大模型会输出什么？

# 通义千问大模型model = get_lc_model_client()output_parser = JsonOutputParser()resp = model.invoke("今天是几月几号？")print(resp)

结果令人意外——AI竟然不知道今天是几月几号。再换一个模型（DeepSeek）试试：

model = get_ali_model_client()

没错，它确实给了一个日期，但那并不是真实的今天。之前讨论“为什么需要RAG”时，我们提到过大模型的时效性局限：训练成本极高，模型不可能实时更新。因此，那些最新的事件、最新的知识，大模型很可能一无所知。

这就是大模型的一个能力边界。要突破这一限制，除了RAG技术，还有另一个关键手段——Tool（工具调用）。

Tool：大模型的能力延伸

Tool（工具）是LangChain中的一个核心概念。它封装了一个具体功能（比如一个Python函数），包含名称、描述和参数模式（Schema）。开发者通过@tool装饰器或继承BaseTool来创建工具，本质上是在告诉模型：“我这里有这些能力可以调用。” 整个工作流程如下：

• 定义工具：开发者将函数（例如get_date()）及其描述、参数格式提前告知LLM。
• 模型规划：用户提问后，LLM并不直接给出答案，而是分析用户意图，选择合适的工具，并严格按照格式生成一个结构化的调用请求。
• 外部执行：程序解析这个请求，安全地在本地或远端执行真实的函数，获取结果。
• 整合回复：将执行结果返回给LLM，由它组织成自然语言回复用户。

简单来说，LLM扮演“大脑”（负责理解和规划），外部函数扮演“手脚”（负责执行和获取信息），两者通过结构化的“神经接口”（Function Calling规范）协同工作。

bind_tools()：动态绑定工具

bind_tools()的作用是把一个或多个工具（函数）转换成大模型能理解和遵循的“调用规范”（通常是JSON Schema格式），然后“绑定”到某个特定的对话模型实例上。绑定之后，这个模型在思考时，就具备了调用这些工具的能力。

• 动态性与组合性：bind_tools()的最大优势在于动态性。你可以在运行时根据不同的场景，为同一个模型绑定不同的工具集，实现高度灵活。
• 底层协议屏蔽：它抽象了不同模型提供商（OpenAI、Anthropic、DeepSeek）在工具调用上的细节差异，提供统一接口。在OpenAI的上下文中，它本质上是在准备tools参数。

# 大模型客户端绑定工具tool_llm = model.bind_tools([get_date, open_browser])resp = tool_llm.invoke("今天是几月几号？")

Agent：工具调用的智能控制器

工具的选择和调用执行，最终是由Agent来完成的。

# 创建Agentagent = create_agent(model=llm,# 聊天模型tools=tools, # 工具列表system_prompt=system_prompt,checkpointer=memory# 传入记忆组件)

在大模型使用工具时，你可以用bind_tools进行工具绑定，但在工程实践中，推荐优先使用带tools参数的Agent，因为它提供了更完善的工具管理和执行流程。

方式一：@tool装饰器

代码示例

获取今天具体日期的自定义工具：

# 注意：函数的描述必须写在函数体中的第一行@tooldef get_date():# 文本描述相当于工具说明说，大模型正是依靠这段说明来选择对应工具""" 获取今天的具体日期 """# """ 获取今天的北京的天气 """return datetime.date.today().strftime("%Y-%m-%d")

获取浏览器并打开指定网站的工具：

mport webbrowser@tooldef open_browser(url, browser_name=None):# """ 获取浏览器，打开网站 """""" 获取浏览器，打开网站可以做很多事情，包括查询天气，汽车限号等 """if browser_name:# 获取特定浏览器的控制器browser = webbrowser.get(browser_name)else:# 使用默认浏览器browser = webbrowser# 打开浏览器并导航到指定的URLbrowser.open(url)

使用方式：

agent = create_agent(model=llm,# 聊天模型tools=[get_date, open_browser], # 工具列表system_prompt=system_prompt,checkpointer=memory# 传入记忆组件)# 获取今天的日期result = agent.invoke({"messages":[{"role":"user","content":"今天是几月几号？"}]})

注意事项

1. 函数的描述必须写在函数体中的第一行，否则AI无法识别。
2. 函数的描述必须准确，且与函数实际功能保持一致。否则会导致回答混乱。

比如，如果把get_date的描述改为“获取今天的北京的天气”：

@tooldef get_date():""" 获取今天的北京的天气 """return datetime.date.today().strftime("%Y-%m-%d")result = agent.invoke({"messages":[{"role":"user","content":"今天北京的天气怎么样？"}]})

用户问天气，结果却调用了日期函数——这就是描述错误带来的问题。

Log验证

前面我们已经介绍了核心流程，现在结合代码Debug来验证一下。从打印结果可以看到：

1. 用户提问后，大模型发现自己无法直接回答。
2. 它尝试寻找合适的工具，找到后触发了tool_calls，finesh_reason=tool_calls。
3. tool_calls信息显示name=get_date。
4. 调用get_date返回ToolMessage(2026-03-12)。
5. AI拿到日期信息后，就能给出正确答案了。

果然，和我们前面讲解的核心流程基本一致。

方式二：Tool()类

除了@tool装饰器，还可以通过Tool()类来显式定义工具。

外部函数定义

# 定义工具函数def get_current_time(input: str = "") -> str:"""获取当前时间"""current_datetime = datetime.now()formatted_time = current_datetime.strftime('%Y-%m-%d %H:%M:%S')result = f"当前时间：{formatted_time}。"print(result)return resultdef recom_drink(input: str = "") -> str:"""推荐附近的饮品店"""result = '''距离您500米内有如下饮料店：n1、蜜雪冰城n2、茶颜悦色n另外距离您200米内有惠民便利店，里面应该有矿泉水或其他饮品'''return resultdef open_calc(input: str = "") -> str:"""打开计算器"""try:subprocess.Popen(['calc.exe'])return "计算器已打开"except Exception as e:return f"打开计算器失败: {str(e)}"def open_browser(url: str) -> str:"""打开浏览器访问指定网址"""try:webbrowser.open(url)return f"已打开浏览器访问 {url}"except Exception as e:return f"打开浏览器失败: {str(e)}"

Tool()定义

• name：工具名称，可以自定义，但建议与函数名保持一致。
• func：关联的函数名，务必准确。
• description：函数的功能描述，作用与@tool中写在函数首行的描述相同，但此处函数首行就不必再写了。

# 创建LangChain工具列表# 方式二，自定义工具tools = [# 通过Tool来描述声明工具 name 工具名称 func 函数体 description 函数的功能描述Tool(name="get_current_time", #可以随意，但是建议跟函数名称一致func=get_current_time,# 函数的功能描述，说明书description="当你想知道现在的时间时非常有用。"),Tool(name="recom_drink",func=recom_drink,description="用户口渴，为其推荐附近的饮品店"),Tool(name="open_calc",func=open_calc,description="打开本地计算机上的计算器。"),Tool(name="open_browser",func=lambda url: open_browser(url),description="打开本地计算机上的网页浏览器，并接受网站的url作为参数。")]

Agent构建

# 这个时候函数工具选择和调用执行，都是通过Agent来完成的# 创建Agentagent = create_agent(model=llm,# 聊天模型tools=tools, # 工具列表system_prompt=system_prompt,checkpointer=memory# 传入记忆组件)

方式三：BaseTool继承

这种方式是将工具函数封装成一个类，必须继承自BaseTool。这样设计的目的是为了给AI工具调用建立一套“强类型、结构化”的输入契约。这绝不仅仅是语法规范，而是构建可靠AI Agent的工程基石。

BaseTool类定义

• name：工具名称
• description：工具描述

class DateTool(BaseTool):"""一个获取当前具体日期的简单工具。它是继承BaseTool类的最简示例。"""# 1. 定义工具名称。这将是Agent在思考时提到的名字。name: str = "get_date"# 2. 定义工具描述。清晰准确的描述直接决定了Agent能否在正确场景下想起并使用它。description: str = "当需要知道今天的准确日期（年月日）时，使用此工具。"

args_schema(BaseModel)

args_schema是一个强类型、可自描述的合约规范，专门用于约束和指导大模型如何生成调用该工具的参数。

args_schema告诉LangChain框架：“我这个工具的所有输入参数，其名称、类型、约束和描述，都完整地定义在这个Pydantic BaseModel里。” 这样框架能自动完成以下几件事：

1. 生成准确的JSON Schema：这是与OpenAI等模型API进行“函数调用”通信的协议基础。
2. 自动化验证：在工具执行前，框架自动用schema验证模型生成的参数，无效输入会被拦截，避免工具函数崩溃。
3. 工具发现的元数据：框架可以收集所有工具的schema，自动生成工具目录或用于路由。

# 3. 定义参数模式。即使此工具无需参数，也最好显式定义一个空的Schema，这是良好的实践。args_schema: Type[BaseModel] = DateToolInput

# 使用Pydantic定义输入参数的模型。本例中无需输入，所以模型为空。class DateToolInput(BaseModel):# 这个工具不需要任何输入参数。# 如果未来需要扩展，可以在这里添加字段，例如：# format: str = Field("YYYY-MM-DD", description="日期格式")query: Optional[str] = Field(default=None,description="查询日期的提示词，可为空")

_run方法实现

_run函数是工具“能力”的具体实现，是连接AI决策与现实世界接口的唯一执行终点。我们这里获取日期的真正实现就在这个函数里。

# 4. 实现核心的 _run 方法。这里是所有业务逻辑存放的地方。def _run(self, query: Optional[str] = None) -> str:"""执行工具，返回当前日期字符串。"""# 使用datetime模块获取当前日期，并格式化为易读的字符串。current_date = datetime.date.today().strftime("%Y-%m-%d")return f"今天是：{current_date}"# 5. （可选）实现 _arun 方法以支持异步调用。简单工具可暂不实现。async def _arun(self, query: Optional[str] = None):raise NotImplementedError("此工具暂不支持异步调用。")

调用方式

# 实例化工具date_tool = DateTool()

方式一(invoke)

直接使用date_tool：

# 方式一：invokeresult = date_tool.invoke("今天是几月几号？")result = date_tool.invoke("")print(result) # 输出：今天是：2026-03-13

方式二(run)

同样是直接使用date_tool：

# 方式二：runresult = date_tool.run("今天是几月几号？")result = date_tool.run("")print(result)

方式三(Agent)

# 方式三：Agent# 获取模型model = get_lc_model_client()# 创建工具列表tools = [date_tool]# 使用ReAct提示模板，让Agent具备“思考-行动”的推理能力prompt = "你是人工智能助手。需要帮助用户解决各种问题。"# 大模型客户端绑定工具# 创建Agentagent = create_agent(model=model,# 聊天模型tools=tools, # 工具列表system_prompt=prompt)# 调用示例result = agent.invoke({"messages": [{"role": "user", "content": "今天是几月几号？"}]},)

带参数的demo示例

后续我们会在实战案例中进一步巩固tool的使用，其中会涉及带参数的场景，具体可参见源码 tools-get_weather_demo.py。

自定义tool

这是开发者为了满足特定业务需求，通过继承BaseTool基类或使用@tool装饰器，自行创建的工具。它封装了专有的逻辑、数据或第三方服务，像上面举例的get_date/DateTool、open_browser、recom_drink都属于自定义工具。

• 本质：是你为AI智能体量身定做的“专属装备”，是实现业务差异化和核心价值的关键。
• 核心能力：连接一切——可以把任何函数、类方法、API、数据库查询、甚至遗留系统接口包装成一个工具。
• 典型场景：查询内部知识库或CRM系统；调用公司内部的订单或天气API；执行特定的数据分析或业务流程。

预置tool

定义

这是LangChain官方或活跃社区预先封装好、可直接调用的工具集合。它们解决的是AI应用中最常见、最通用的需求，属于“开箱即用”的标准化组件。

• 本质：经过良好测试、接口标准化的“功能黑盒”。只需关注配置（如API密钥），无需关心内部实现。
• 典型代表：WikipediaQueryRun（查询维基百科）、DuckDuckGoSearchRun（网络搜索）、ArxivQueryRun（学术论文搜索）、PythonREPLTool（安全沙箱中运行Python代码）等。

示例

以 ArxivQueryRun 为例，展示简单调用方法。

1. 使用load_tools(["arxiv"])组装Agent：

# 组装Agentagent = create_agent( model=llm, tools=load_tools(["arxiv"]), #添加工具列表，绑定的论文查询的工具 system_prompt=system_prompt, checkpointer=memory# 传入记忆组件)

2. 调用Agent查询论文：

# 调用Agent查询论文result = agent.invoke({"messages": [{"role": "user", "content": "请查询arxiv论文编号1605.08386的信息"}]},# 配置会话标识，用于区分不同用户config={"configurable": {"thread_id": "user_1"}}# 会话唯一标识，用于区分不同用户)

Function Calling：模型与工具的通信协议

Function Calling（函数调用）是模型在推理过程中生成的一个结构化输出。当模型决定要使用某个工具时，它不会直接执行代码，而是返回一个JSON对象，里面包含要调用的工具名称（name）和具体参数（arguments）。这是模型“思考”的结果。

• 向模型描述一个工具：必须提供一个符合特定JSON Schema格式的工具描述列表，包括工具名、描述和参数模式。
• 模型如何回应表示想要调用工具：模型不会在文本中说“请调用XXX工具”，而是在返回的特定结构（如OpenAI的tool_calls数组）中，输出一个标准的JSON对象，包含要调用的工具名和参数。

前面讲到的bind_tools，当调用bind_tools(get_date)时，LangChain会自动将工具定义（args_schema和description）转换成底层模型（如GPT-4）所要求的Function Calling格式。

简单来说，Function Calling是“通信协议”，而LangChain Tool是“工程实现框架”。Tool是开发者提供的能力定义，Function Calling是模型发出的使用请求。在LangChain中，通过Tool来扩展Agent的能力，而Agent通过Function Calling来实际使用这些能力。

源码

github