# 谷歌实时信息搜索插件的集成与编写

# 01. Serper谷歌搜索

谷歌官方虽然提供了 API 搜索功能，但是体验感并不好，而且访问速度非常慢，所以在这里我们考虑使用第三方的谷歌搜索提供商——Serper，Serper 提供的谷歌搜索会在后台浏览器模拟真实的页面运行，完全模仿人类的操作，可以确保获得用户真正看到的内容（目前体验测试来看，Serper 比谷歌官方提供的检索服务内容更全面，响应速度更快）。

参考资料：

LangChain Serper 谷歌搜索集成：https://imooc-langchain.shortvar.com/docs/integrations/tools/google_serper/
Serper 官网：https://serper.dev/

可以使用任意的邮箱/Github/Google账号注册登录 SerperAPI 官网，并管理和创建 API 秘钥，将其配置到环境变量中，如下：

# 谷歌Serper搜索
SERPER_API_KEY=9b5bd82f638b1e51a9bf14802a0a2799286b194e

1
2

在 LangChain 中，已经为 Serper 搜索接口进行了工具的封装，目前有两个内置工具： GoogleSerperRun、GoogleSerperResults ，其中 GoogleSerperRun 会单纯返回搜索文本的内容，而 GoogleSerperResults 还会包含检索网页链接等元数据。

不过 LangChain 封装的 GoogleSerperRun 工具内部并没有添加工具参数说明，并且工具描述也是英文的，对于一些参数量比较小，需要将其相应的描述等改成中文情景。

另外 Serper谷歌搜索还有一个很接近的工具—— SerpAPI ，这两个产品在名字和功能上非常接近，而且也特别容易弄混，该工具在 LangChain 中也进行封装，参考资料：

LangChain SerpAPI 谷歌搜索集成：https://imooc-langchain.shortvar.com/docs/integrations/tools/serpapi/
SerpAPI 官网：https://serpapi.com/

# 02. 谷歌实时信息搜索工具实现

在 LangChain 中，实现对 GoogleSerperRun 工具的二次封装其实非常简单，甚至不需要重新定义一个工具类，只需要在实例化的时候，传递对应的参数即可，示例如下：

import dotenv
from langchain_community.tools import GoogleSerperRun
from langchain_community.utilities import GoogleSerperAPIWrapper
from langchain_core.pydantic_v1 import BaseModel, Field


class GoogleSerperArgsSchema(BaseModel):
    query: str = Field(description="执行谷歌搜索的查询语句")


dotenv.load_dotenv()

google_serper = GoogleSerperRun(
    name="google_serper",
    description=(
        "一个低成本的谷歌搜索API。"
        "当你需要回答有关时事的问题时，可以调用该工具。"
        "该工具的输入是搜索查询语句。"
    ),
    args_schema=GoogleSerperArgsSchema,
    api_wrapper=GoogleSerperAPIWrapper(),
)

print(google_serper.invoke("马拉松的世界记录是多少?"))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

输出示例：

2004年1月1日，国际田联宣布，马拉松开始拥有世界纪录。 2023年10月8日晚（北京时间），在芝加哥马拉松比赛中，肯尼亚人基普图姆在芝加哥马拉松比赛中以2小时00分35秒的成绩打破基普乔格保持的世界纪录。

# 最新版 LangChain 用法提示

新版 LangChain 更推荐用 LCEL、Runnable、ChatModel.bind_tools()、结构化输出和 LangGraph 来组织复杂链路；老式 Chain、部分 AgentExecutor 写法可以读懂，但新项目应优先选择更清晰的图或 Runnable 编排。
工具调用相关代码要区分两层：模型是否原生支持 tool/function calling，以及业务侧如何定义工具 schema、参数校验、错误兜底和观测日志。
如果示例中的导入路径和你当前安装版本不同，优先查当前版本包内导出位置；常见迁移方向是从 langchain 拆到 langchain-core、langchain-community、langchain-openai、langgraph 等包。

# 拓展

工具或插件不要只看能不能调通，更要看是否可观测、可限流、可重试、可审计。联网类工具还要处理超时、空结果、搜索噪声和结果时效性。
Agent 场景里，Prompt 只是调度策略的一部分；工具描述、参数 schema、历史状态、错误反馈、停止条件和人工介入点同样会影响最终稳定性。

# 常见问题

为什么模型没有调用工具？常见原因是工具描述不清晰、参数 schema 过宽或过窄、用户问题不需要工具、模型本身不支持工具调用，或者工具绑定位置不对。
为什么工具调用后回答仍然不准？先看工具返回是否正确，再看工具结果是否被放回模型上下文，最后检查输出解析、历史消息和异常兜底是否覆盖了真实错误。

# 面试题

解释函数调用、工具调用和 Agent 的区别。
LangChain 中 tool schema 的作用是什么？为什么参数校验对生产环境很重要？
ReACT Agent 和 tool-calling Agent 的核心差异是什么？分别适合什么场景？
LangGraph 相比 LCEL 更适合解决哪些复杂编排问题？

# 生产问题排查

问题	常见原因	处理方式
工具没有被调用	工具描述弱、绑定失败、模型不支持	打印绑定后的模型配置，补充工具描述，换用支持工具调用的模型
参数格式错误	schema 设计不清晰，模型生成字段不稳定	使用 Pydantic/JSON Schema 校验，失败后把错误反馈给模型重试
联网结果不可用	搜索为空、接口超时、命中低质量页面	增加超时、重试、结果过滤、来源白名单和降级回答
Agent 循环不停止	缺少终止条件或工具返回被误判	设置最大迭代次数，记录每轮 thought/action/observation，增加停止规则
线上难以复现	缺少输入、工具请求和模型响应日志	给每次调用加 trace id，记录工具入参、出参、耗时和异常

← 高德天气预报查询插件的集成与编写基于 ReACT 架构的 Agent 智能体设计与实现 →