在前几章中，我们搭建的RAG程序、对话链。主要能力局限于“基于已有数据生成回答”——无法获取实时信息，无法执行计算操作，也无法与外部程序交互。按理说，

LangChain的「Tools」与「函数调用」功能。正是为突破这一局限而生，它允许我们将外部工具、自定义Python函数、API接口封装成LangChain可识别的工具，让大语言模型生成精准回答。按理说，

本章将从工具的主要概念出发，手把手教你使用LangChain内置工具、自定义工具、规范工具输入输出。掌握多工具协同与安全控制，最终通过实战开发“查天气+算行程时间”复合工具，所有代码简短可复制，关键步骤标注引用来源，贴合掘金等技术博客的实战风格。说起来，

什么是 Tool？LangChain 中的工具抽象

在LangChain中，「Tool」是一个抽象概念。本质是可被LLM调用的“功能模块”——它可以是简单的Python函数、外部API接口、第三方工具，也可以是复杂的业务逻辑。

LLM本身不具备“执行操作”的能力。但它能最终回答，形成“需求分析→工具调用→结果整合”的完整闭环。

. 为什么需要 Tool？

没有工具的LLM。就像“纸上谈兵”——只能基于自身训练数据回答问题，无法应对实时、动态、需要执行操作的场景。Tool的主要价值是在LLM面前帮助

1. 获取实时信息的观点是，如查询当前天气、最新新闻、股票价格；

2. 再看执行计算操作，如计算行程时间、金额换算、数据统计；

3. 与外部程序交互：如调用API、操作数据库、发送消息；

4. 执行自定义逻辑：如业务流程查询、使用者偏好匹配、权限校验。

. LangChain 中的工具抽象

LangChain对工具进行了统一抽象。所有工具都继承自「BaseTool」类，其主要包含三要素，也是自定义时遵循依据：

• name: 唯一标识，用于LLM识别； 话说回来，
• description: 详细说明功能及参数。是LLM判断是否还有如何调用该工具的关键依据；其实，
• _run: 工具执行逻辑。实现此方法就可以完成功能。话说回来，

. 工具调用主要流程

User input → LLM分析需求 → 判断是否需用到 tool → 若需。则选择并传参 → tool._run 执行 → 返回结果 → LLM整合生成答案。

. 关键提醒

LlangChain 的 tool 程序极其灵活：既支持开箱即用内置 tool，也支持完全自定义。你可以单个 tool 调用，也可以多 tool 协同。再加上 Memory 或 RAG 实现更复杂场景。

内置 Tool：搜索引擎·计算器·时间查询等快速验证方式

. 前置准备：安装依赖

# 主要依赖
pip install langchain openai python-dotenv
# 搜索引擎依赖
pip install duckduckgo-search
# 计算器依赖
pip install numexpr

至于说明。DuckDuckGo 无需 API 密钥，可替换为 Google/Bing 等需配置密钥版本。

. 内置 Tool1：DuckDuckGo 搜索引擎

from langchain.chat_models import ChatOpenAI
from langchain.tools import DuckDuckGoSearchRun
from langchain.agents import initialize_agent,AgentType
from dotenv import load_dotenv
import os
load_dotenv
llm = ChatOpenAI(
model_name="gpt-4o-mini",temperature=0,openai_api_key=os.getenv
)
search_tool = DuckDuckGoSearchRun
agent = initialize_agent(
tools=,llm=llm,agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)
query = "2026年3月北京最新天气情况"
response = agent.run
print
print

. 内置 Tool2：Calculator

from langchain.chat_models import ChatOpenAI
from langchain.tools import Calculator
from langchain.agents import initialize_agent。AgentType
from dotenv import load_dotenv
import os
load_dotenv
llm = ChatOpenAI(
model_name="gpt-4o-mini",temperature=0,openai_api_key=os.getenv
)
calc_tool = Calculator
agent = initialize_agent(
tools=,llm=llm,agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)
query = "10 + 5 * 2"
response = agent.run
print
print

. 内置 Tool3：TimeTool

from langchain.chat_models import ChatOpenAI
from langchain.tools import TimeTool
from langchain.agents import initialize_agent,AgentType
from dotenv import load_dotenv
import os
load_dotenv
llm = ChatOpenAI(
model_name="gpt-4o-mini",temperature=0,openai_api_key=os.getenv
)
time_tool = TimeTool
agent = initialize_agent(
tools=,llm=llm,agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)
时间？请输出具体年/月/日/时/分/秒"
response = agent.run
print
print

. 内置 Tool 使用

• 从优势来看。开箱即用，无需手工编码，快速验证逻辑。
• 至于局限。功能固定，不可定制业务细节；话说回来，无法直接对接公司内部 API。
• 从适用场景来看，原型演示、新手学习或快速验证思路。

自定义 Python 函数转为 Tool 的常用方法

. 快速上手：无参基础示例

from langchain.chatmodels import ChatOpenAI
from langchain.tools import tool
from langchain.agents import initializeagent,AgentType
from dotenv import load_dotenv
import os 

load_dotenv

@tool( name='getcompanyname'。description='用于获取本公司的名称，无需输入任何参数' ) def getcompanyname: return '字节跳动科技有限公司'

llm = ChatOpenAI( modelname='gpt-4o-mini',temperature=0,openaiapi_key=os.getenv )

agent = initializeagent( tools=,llm=llm,agent=AgentType.CHATZEROSHOTREACT_DESCRIPTION,verbose=True )

query='你们公司叫什么名字？' response=agent.run print print

. 带参数示例

="" <="" class="hljs language-python" code="" lang="
python">