LangChain从入门到进阶（6）：学会让AI调用外部工具「喂饭教程」
先说几句实在的。做AI应用开发这么久，一个最深的感触就是：光靠大模型“说”，远远不够。真正能落地的场景，往往需要模型去“做”——查天气、搜网页、调数据库、发邮件……这些能力不再依赖模型内部的知识，而是通过一套清晰的接口，把外部工具的调用权交到AI手里。
这篇文章要聊的，正是LangChain中核心又实用的一个机制：Tool Calling（工具调用）。我会把从概念到实战的完整路径捋清楚，包括三种定义工具的方式、Agent自动编排、错误处理、结构化返回、异步调用等进阶技巧，最后还会给一个完整的数据库查询助手示例。学完这一篇，你完全可以自己动手搭出一个能执行真实任务的AI助手。
一、Tool Calling是什么？
1.1 传统AI的局限
先看一个最简单的例子：直接问AI一个需要实时数据的问题，比如“今天北京气温多少？”传统模型只能根据训练数据中的知识回答，但它并不知道此刻真实的天气。要解决这个问题，就需要让AI能主动去调用一个天气API，再把结果组织成自然语言返回。
换句话说，Tool Calling的本质是：模型在生成文本的过程中，识别出需要外部能力介入的时机，输出一个结构化的“工具调用请求”，然后由程序去执行这个工具，把结果再喂回模型，让它继续生成最终回答。
这个过程听起来复杂，但LangChain已经封装得相当优雅。下面我们直接上手。
1.2 Tool Calling的工作流程
整个流程可以简化为四个步骤：
- 模型分析用户输入，判断是否需要调用某个工具；
- 如果需要，模型输出一个包含工具名称和参数的JSON；
- 应用层接收到这个JSON，去执行对应的函数（比如查数据库、调API）；
- 将工具返回的结果回传给模型，模型结合上下文继续生成回答。
这么看，Tool Calling不仅仅是一个技术实现，它更是一种思维范式的转变——从“模型作为知识的输出端”变为“模型作为思考和调度的中枢”。
二、环境准备
在开始之前，确保你的环境已经安装了必要的依赖。这里推荐使用 langchain 和 langchain-openai，以及 dotenv 来管理你的API密钥。
pip install langchain langchain-openai python-dotenv
然后创建一个 .env 文件，写入你的OpenAI API Key。接下来，我们可以开始定义第一个工具。
三、3种定义工具的方式
方式1：使用@tool装饰器（推荐）
这是最简洁的方式。只需写一个普通的Python函数，加上 @tool 装饰器，LangChain就能自动解析函数的签名、文档字符串和类型提示，生成符合模型要求的工具Schema。
from langchain.tools import tool
@tool
def get_weather(city: str) -> str:
"""获取指定城市的实时天气"""
# 这里应该是真实的API调用，返回模拟数据
return f"当前{city}气温22°C，晴朗。"
这种方式省时省力，适合大多数场景。而且LangChain会通过函数的docstring自动生成工具的描述，所以写好docstring很关键。
方式2：使用StructuredTool
如果需要对工具的参数做更精细的控制（比如设置默认值、参数的描述、是否必填等），可以用 StructuredTool。
from langchain.tools import StructuredTool
def multiply(a: int, b: int) -> int:
return a * b
tool = StructuredTool.from_function(
func=multiply,
name="multiply",
description="计算两个数字的乘积",
args_schema=None # 可以传入自定义的Pydantic模型
)
方式3：使用BaseTool类
当工具逻辑比较复杂，或者需要管理状态时，可以继承 BaseTool 类。这种方式最灵活，但代码量也最大。
from langchain.tools import BaseTool
from pydantic import BaseModel, Field
class SearchInput(BaseModel):
query: str = Field(description="搜索关键词")
class SearchTool(BaseTool):
name = "search"
description = "搜索网络信息"
args_schema: type[BaseModel] = SearchInput
def _run(self, query: str) -> str:
# 实现搜索逻辑
return f"关于'{query}'的搜索结果..."
三种方式可以根据场景灵活选择。日常项目中，用 @tool 装饰器能覆盖九成以上的需求。
四、自动执行工具：Agent
定义好工具后，我们需要一个“大脑”来决定什么时候调用哪个工具。这就是Agent（袋里）的角色。LangChain提供了多种Agent类型，最常用的是 OpenAI Tools Agent。
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o", temperature=0)
tools = [get_weather, multiply]
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
这里需要补充一个 prompt，用于指导Agent的行为。LangChain内置了 ChatPromptTemplate 来方便构造。
当Agent收到用户的问题时，它会自动决定：是直接回答，还是调用某个工具。如果工具调用发生，Agent会等待工具返回结果，然后继续推理。整个过程就像在写一段多步的思维链。
五、实战案例：数据库查询助手
一个很实际的应用：让AI通过自然语言查询数据库。比如用户问“上个月销量最高的产品是什么？”——先让AI调用 query_database 工具执行SQL，拿到结果后再回答。
@tool
def query_database(sql: str) -> str:
"""执行SQL查询，返回结果字符串"""
# 这里连接到真实数据库
import sqlite3
conn = sqlite3.connect("sales.db")
cursor = conn.cursor()
cursor.execute(sql)
result = cursor.fetchall()
conn.close()
return str(result)
注意，直接让AI生成SQL存在安全风险，实际生产环境中需要对SQL执行权限做严格限制，或者使用固定模板。这里只是演示流程。
六、进阶技巧
1. 工具错误处理
工具在执行过程中可能失败（比如网络超时、数据库连接异常）。一个好的做法是在工具内部捕获异常，并返回人类可读的错误信息。Agent在收到错误后，可以尝试重试或者向用户解释。
@tool
def safe_call(api_url: str) -> str:
try:
response = requests.get(api_url, timeout=5)
response.raise_for_status()
return response.text
except Exception as e:
return f"调用失败: {str(e)}"
2. 工具返回结构化数据
有时工具返回的数据是列表或字典，直接转成字符串会丢失结构。更好的做法是返回JSON字符串，然后在Agent的prompt中告诉它如何解析。
@tool
def get_stock_price(symbol: str) -> str:
# 返回JSON格式
data = {"symbol": symbol, "price": 150.25, "change": -0.5}
return json.dumps(data)
3. 工具依赖关系
有些工具之间存在依赖，比如先查用户ID，再查订单。在Agent中，你只需把两者都注册为工具，Agent会通过多轮调用自动串联起来。如果希望强制顺序，可以在工具内部调用另一个工具（但需要小心循环）。
4. 异步工具
如果你的应用是异步框架（如FastAPI），可以用 @tool 的 async 版本。LangChain原生支持异步Agent。
@tool
async def async_search(query: str) -> str:
# 使用aiohttp等异步库
...
5. 工具权限控制
在多用户场景下，不同的用户应该只能调用自己有权使用的工具。可以在工具内部检查上下文中的用户信息，或者通过一个中间层做授权。
比如，在AgentExecutor的 callbacks 中拦截工具调用，校验权限后再放行。
七、常见问题与解决方案
Q1: AI不调用工具怎么办？
检查工具的描述是否清晰。模型完全依赖工具的name和description来决策。如果描述太模糊，模型可能“忘记”调用。建议在description中明确说明适用的场景。另外，可以调整模型温度至0，减少随机性。
Q2: 工具调用失败怎么处理？
在工具内部做好try-except，返回友好的错误信息。然后可以通过Agent的 max_retries 参数设置重试次数，或者让模型根据错误信息自行判断是否需要重试。
Q3: 如何限制工具调用次数？
在 AgentExecutor 中设置 max_iterations 参数，防止模型陷入无限循环。例如 max_iterations=5，超过次数后Agent会停止并返回当前结果。
Q4: 如何调试工具调用？
设置 verbose=True，Agent会打印出每一步的思考过程和工具调用结果。另外可以启用LangChain的Tracing功能（与LangSmith集成），可视化地查看每次调用的完整链。
Q5: 如何处理多语言工具？
工具本身不受语言限制。关键是模型的prompt要适配语言。如果需要中文输出，可以在工具返回后，让模型用中文总结。注意工具的名称和描述最好也使用对应语言，否则模型可能不理解。
八、完整示例：多功能AI助手
下面是一个集成天气查询、数学计算和数据库查询的完整示例（只展示核心代码结构）：
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_openai import ChatOpenAI
from langchain.tools import tool
from langchain.prompts import ChatPromptTemplate
@tool
def get_weather(city: str) -> str:
"""获取指定城市天气"""
...
@tool
def multiply(a: int, b: int) -> int:
"""计算两数乘积"""
...
@tool
def query_db(sql: str) -> str:
"""执行SQL查询"""
...
tools = [get_weather, multiply, query_db]
llm = ChatOpenAI(model="gpt-4o")
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个智能助手，可以使用工具来回答问题。"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}")
])
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({"input": "北京今天天气如何？顺便计算123*456"})
print(result["output"])
总结
Tool Calling是让大模型从“对话玩具”走向“生产工具”的关键一步。理解它的工作流程，掌握三种工具定义方式，再配合Agent的自动调度，基本就能应对绝大多数业务场景。
真正需要花心思的，其实不是技术实现，而是对工具粒度和描述的打磨。工具设计得好，模型用得顺手；工具设计得糙，再强的Agent也只能反复尝试。
希望这篇内容能帮你跨过“让AI动手做事”这道门槛。下一篇，我们可能会聊聊如何让Agent的推理过程更可控，或者如何把多个Agent编排成一个协作系统。方向很多，但核心始终不变：让AI真正服务现实世界。
