痛点分析：

• 复杂场景需求：大模型自身无法处理实时数据查询、复杂计算等任务，需要外部工具协作才能符合使用者需要。
• 开发效率瓶颈：手动封装工具和参数校验耗时耗力，影响整体开发进度。
• 调用准确性问题：模型可能误判调用条件或传递错误参数，导致工具执行失败。
• 维护成本高：多个自定义工具的管理和更新增加了程序复杂度。

主要定义

方法：Function Calling是大模型与外部工具/函数交互的主要能力！

它能够让模型自身无法完成的复杂计算、实时数据查询等任务难题，明显提高了AI应用的实战能力！老实说，

两种工具添加方案

方案一的观点是。直接通过 Tool.from_function 定义工具

优势：快速封装，适合功能简单且参数少的情况！

再看步骤1，基础依赖与初始化

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import Tool
from pydantic import BaseModel,Field
# 大模型初始化
llm = ChatOpenAI(
model_name="qwen-plus",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"。api_key="",)
# 提示模板定义
chat_prompt_template = ChatPromptTemplate.from_messages(
)

至于步骤2，封装为工具

class SunArgs:
至于num1，int = Field
说到num2，int = Field
def sum:
return a + b
sum_tool = Tool.from_function(
func=sum,name="sum",description=b"计算两个整数的和",# 注意二进制字符串！)
# 关键点：description必须精准描述功能范围！否则可能触发错误调用，

说到步骤3，绑定工具并执行调用

说到方案二，通过 @tool 装饰器定义工具<推荐>

优势：

• 更简洁直观 - 减少50%代码量
• 内置参数校验 - 自动防止类型错误
• 支持批量注册 - 一次性管理多个工具
• "未来向前兼容 - 与LangChain环境持续更新同步"

步骤1 & 步骤2合并演示：<最佳实践>

 float:
"""安全注意：
所有输入必须经过严格类型检查！返回值必须明确指定类型，""""return num1 * num2"

# 装饰器会自动完成Tool.from_function转换！# 参考文档可一次性注册多个@tool!}