LangChain 工具调用：从原理、入门到落地

在大模型应用开发中，纯文本LLM无法解决实时计算、外部数据查询、API交互等落地场景问题。LangChain 工具调用能力。主要是将自定义Python函数、外部能力封装为大模型可识别、可自主调度的标准化工具让LLM自主判断何时调用工具、传递什么参数，最终结合工具输出结果生成精准回答。

使用者痛点：

• 如何让大模型执行计算/查询等实际任务？按理说，
• 工具封装复杂难以上手？
• 多轮工具调用如何实现？
• 生产环境如何稳定运行？

一、工具调用主要本质与主要概念

什么是 LangChain 工具

LangChain 中的工具，本质是可被LLM自主调用的外部能力载体是对普通Python函数、第三方API、数据库查询、计算器等能力的标准化封装。

典型痛点场景：

• 基础计算类：四则运算/单位换算/日期计算 - LLM无法精确执行复杂运算逻辑

• 数据查询类：天气查询/知识库检索/数据库操作 - 需要联网或访问外部程序的能力短板

• 业务交互类：API调用/邮件发送/流程触发 - 完全依赖人类手动操作导致效率瓶颈

工具调用主要运行逻辑？

函数标准化 → 模型绑定 → LLM决策 → 工具执行 → 结果整合 └─────────┘ └───────┘ └─────┘ └───────┘ └──────────┘ 再看处理问题，人机协同 智能选择 功能 数据融合 ├─开发者不需编写分支逻辑 ├───避免人为误操作 ├───突破LLM内置限制├─一致性体验 ├─降低维护成本 ├───提高响应速度 ├───支持专业领域 ├─无缝衔接 ├─支持迭代调整 ├───减少人力投入 ├───满足复杂需求├─连贯对话

二、五大主要组件深度拆解@tool 装饰器 | 模型绑定 | 工具程序 | 消息管理 | Agent控制器

python

from langchain_core.tools import tool

@tool # 自定义名称 def calculator -> str: """ 支持四则运算的智能计算器。再看注意事项，- 边界值检测已加固 - 异常消息更友好

参考示例：
>> calculator
'15'
>> calculator
'除法异常'
"""
从try来看。
if op == '/' and b == :
return "Error: Division by zero"
return str)
except Exception as e:
return f"Calculation failed due to {str}"

@tool(description=""" 高级天气查询助手。怎么说呢，说到特色功能，* 支持城市别名映射 * 天气图形转文字描述 * 历史天气趋势分析

注意事项的观点是。必须使用简体中文城市名，""") def get_wear:

from langchain.chatmodels import initchat_model

llm = ( initchatmodel # 基础配置 .withratelimit # 流量控制 .withretrypolicy # 错误恢复策略 )

allowedtools = filter,allregistered_tools)

llmwithsafetools = llm.bindtools)

htmlmermaidgraph LR;说起来，A-->B{检查输入};B-->C，C-->D{分支判断};老实说，D--是-->E;D--否-->F，F-.->G);不过，G-->H{执行结果};H--成功-->I，H--失败-->J{错误处理};J-.->K)，K-.->F;