工具调用
原文：Tools 工具调用
一句话
工具（tools）扩展了 agents 的能力，使其能够获取实时数据、执行代码、查询外部数据库并在世界中执行操作。
什么时候翻这页
当你需要为 agent 创建自定义工具，或者需要理解工具如何与模型交互时。 当你需要访问运行时信息（如对话历史、用户数据和持久化内存）时。 当你需要处理工具错误或进行动态工具选择时。
核心概念
- 工具（Tool）: 可调用函数，具有明确定义的输入和输出，传递给 chat model
- 工具描述（Tool Description）: 函数的文档字符串，帮助模型理解何时使用该工具
- 工具运行时（ToolRuntime）: 提供对状态、上下文、存储等运行时信息的访问
- 中间件（Middleware）: 用于处理工具调用、错误处理和动态工具选择的机制
- 直接返回（return_direct）: 工具输出直接作为最终响应，绕过额外的模型调用
怎么做
创建基本工具
使用 @tool 装饰器创建最简单的工具：
from langchain.tools import tool
@tool
def search_database(query: str, limit: int = 10) -> str:
"""Search the customer database for records matching the query.
Args:
query: Search terms to look for
limit: Maximum number of results to return
"""
return f"Found {limit} results for '{query}'"
自定义工具属性
自定义工具名称
@tool("web_search") # 自定义名称
def search(query: str) -> str:
"""Search the web for information."""
return f"Results for: {query}"
自定义工具描述
@tool("calculator", description="Performs arithmetic calculations. Use this for any math problems.")
def calc(expression: str) -> str:
"""Evaluate mathematical expressions."""
return str(eval(expression))
高级模式定义
使用 Pydantic 模型定义复杂输入：
from pydantic import BaseModel, Field
from typing import Literal
class WeatherInput(BaseModel):
"""Input for weather queries."""
location: str = Field(description="City name or coordinates")
units: Literal["celsius", "fahrenheit"] = Field(
default="celsius",
description="Temperature unit preference"
)
include_forecast: bool = Field(
default=False,
description="Include 5-day forecast"
)
@tool(args_schema=WeatherInput)
def get_weather(location: str, units: str = "celsius", include_forecast: bool = False) -> str:
"""Get current weather and optional forecast."""
temp = 22 if units == "celsius" else 72
result = f"Current weather in {location}: {temp} degrees {units[0].upper()}"
if include_forecast:
result += "\nNext 5 days: Sunny"
return result
访问运行时信息
通过 ToolRuntime 参数访问运行时信息：
from langchain.tools import tool, ToolRuntime
@tool
def get_last_user_message(runtime: ToolRuntime) -> str:
"""Get the most recent message from the user."""
messages = runtime.state["messages"]
# Find the last human message
for message in reversed(messages):
if isinstance(message, HumanMessage):
return message.content
return "No user messages found"
更新状态
使用 Command 更新 agent 的状态：
from langchain.agents import AgentState
from langchain.messages import ToolMessage
from langchain.tools import ToolRuntime, tool
from langgraph.types import Command
class CustomState(AgentState):
user_name: str
@tool
def set_user_name(new_name: str, runtime: ToolRuntime[None, CustomState]) -> Command:
"""Set the user's name in the conversation state."""
return Command(
update={
"user_name": new_name,
"messages": [
ToolMessage(
content=f"User name set to {new_name}.",
tool_call_id=runtime.tool_call_id,
)
],
}
)
直接返回工具
使用 return_direct 让工具输出直接作为最终响应：
from langchain.agents import create_agent
from langchain.tools import tool
from langchain_openai import ChatOpenAI
@tool(return_direct=True)
def fetch_order_status(order_id: str) -> str:
"""Fetch the current status of a customer order."""
# In production, query your order management system here
return f"Order {order_id} is shipped and will arrive in 2 days."
agent = create_agent(
ChatOpenAI(model="google_genai:gemini-3.5-flash"),
tools=[fetch_order_status],
)
result = agent.invoke({
"messages": [{"role": "user", "content": "What is the status of order #12345?"}]
})
# The agent returns the tool output directly without another LLM call:
# "Order 12345 is shipped and will arrive in 2 days."
错误处理
使用中间件处理工具错误：
from collections.abc import Callable
from langchain.agents import create_agent
from langchain.agents.middleware import wrap_tool_call
from langchain.messages import ToolMessage
from langchain.tools.tool_node import ToolCallRequest
@wrap_tool_call
def handle_tool_errors(
request: ToolCallRequest,
handler: Callable[[ToolCallRequest], ToolMessage],
) -> ToolMessage:
"""Convert tool exceptions into ToolMessages the model can handle."""
try:
return handler(request)
except Exception as e:
return ToolMessage(
content=f"Tool error: Please check your input and try again. ({e})",
tool_call_id=request.tool_call["id"],
)
agent = create_agent(
model="google_genai:gemini-3.5-flash",
tools=[],
middleware=[handle_tool_errors],
)
动态工具选择
基于状态过滤工具：
from langchain.agents import create_agent
from langchain.agents.middleware import wrap_model_call, ModelRequest, ModelResponse
from typing import Callable
@wrap_model_call
def state_based_tools(
request: ModelRequest,
handler: Callable[[ModelRequest], ModelResponse]
) -> ModelResponse:
"""Filter tools based on conversation State."""
# Read from State: check if user has authenticated
state = request.state
is_authenticated = state.get("authenticated", False)
message_count = len(state["messages"])
# Only enable sensitive tools after authentication
if not is_authenticated:
tools = [t for t in request.tools if t.name.startswith("public_")]
request = request.override(tools=tools)
elif message_count < 5:
# Limit tools early in conversation
tools = [t for t in request.tools if t.name != "advanced_search"]
request = request.override(tools=tools)
return handler(request)
agent = create_agent(
model="gpt-5.4",
tools=[public_search, private_search, advanced_search],
middleware=[state_based_tools]
)
命令 / API 速查
@tool: 创建基本工具的装饰器ToolRuntime: 提供对运行时信息的访问return_direct: 工具参数，使输出直接作为最终响应wrap_tool_call: 中间件装饰器，用于包装工具调用wrap_model_call: 中间件装饰器，用于包装模型调用args_schema: 指定工具输入模式的参数Command: 用于更新 agent 状态的类型
与 LangGraph / RAG 手册的联系
- LangGraph 提供了更底层的编排能力，而 LangChain 的工具系统是构建在 LangGraph 之上的高层抽象
- RAG 系统通常使用 retriever 工具来获取外部知识，工具系统可以与 RAG 集成以增强 agent 的能力
- 工具系统与 LangGraph 的状态管理紧密集成，允许工具访问和更新对话状态
初学者易错点
- 忽略类型提示: 类型提示是必需的，因为它们定义了工具的输入模式
- 使用保留参数名: 避免使用
config和runtime作为工具参数名，这些是保留的 - 过度使用 return_direct: 仅在工具输出是完整、用户就绪的答案时使用，否则模型无法进一步处理结果
- 忘记错误处理: 工具可能会失败，适当的错误处理对于健壮的 agent 至关重要
- 工具名称格式: 偏好使用
snake_case而不是包含空格或特殊字符的名称
相关词条
- create_agent: 创建 agent 的方法
- middleware: 处理工具调用和模型调用的中间件
- models: LangChain 中的模型系统
- RAG: 检索增强生成系统
- retriever: 用于检索外部知识的组件