刘文柱

# LangChain 中的工具与工具包

# 01. LangChain 内置工具

前文提到， 函数调用 是可靠地从大语言模型中获取结构化数据的一个功能，要想使用 函数调用 就必须定义好特定的函数或工具，并将工具的相关信息传递给大语言模型，在 LangChain 中封装了大量的 预设工具 ，开箱即用，涵盖了： 搜索、图像生成、百科、视频信息提取、代码执行、数据分析 等。

  • LangChain 内置工具列表： https://imooc-langchain.shortvar.com/docs/integrations/tools/

并且在 LangChain 中，所有工具都是 BaseTool 的子类，并且工具也是 Runnable可运行组件 ，支持通过 invoke 、 batch 和 stream 等方法进行调用，使用起来也非常简单，实例化工具后直接调用 invoke 函数即可，除此之外，可以通过 name 、 description 、 args 、 return_direct 属性来获取到工具的相关信息。

例如以 DuckDuckGo搜索 为例，首先安装特定的依赖库：

pip install -U duckduckgo-search
1

示例代码如下：

from langchain_community.tools import DuckDuckGoSearchRun

search = DuckDuckGoSearchRun()

print("工具名字: ", search.name)
print("工具描述: ", search.description)
print("工具参数:", search.args)
print("是否直接返回: ", search.return_direct)
print(search.run("LangChain目前最新版本是什么?"))
1
2
3
4
5
6
7
8
9

输出内容：

工具名字:  duckduckgo_search
工具描述:  A wrapper around DuckDuckGo Search. Useful for when you need to answer questions about current events. Input should be a search query.
工具参数: {'query': {'title': 'Query', 'description': 'search query to look up', 'type': 'string'}}
是否直接返回:  False

LangChain 基准是一个 python 包和相关数据集，用于促进不同认知架构的实验和基准测试。. 每个基准任务都针对常见 LLM 应用程序中的关键功能，例如基于检索的问答、提取、代理工具使用等。. 对于我们的第一个基准，我们发布了一个关于 LangChain python 文档的问答 ... 它建立在 LCEL 的基础之上，添加了两个重要的组件：轻松定义循环的能力（这对代理很重要，但对链来说不需要）和内置内存。. 在 langchain v0.2 中，我们保留了旧的 AgentExecutor——但 LangGraph 正在成为构建代理的推荐方式。. 我们添加了一个预构建的 LangGraph 对象 ... 奋战一年，LangChain首个稳定版本终于发布，LangGraph把智能体构建为图. 著名的大模型智能体工具，现在有大版本更新了。. 不知不觉，LangChain 已经问世一年了。. 作为一个开源框架，LangChain 提供了构建基于大模型的 AI 应用所需的模块和工具，大大降低了 AI 应用 ... LangChain 承诺「让开发人员一个下午就能从一个想法变成可运行的代码」，但随着我们的需求变得越来越复杂，问题也开始浮出水面。. LangChain 变成了阻力的根源，而不是生产力的根源。. 随着 LangChain 的不灵活性开始显现，我们开始深入研究 LangChain 的内部结构 ... LangChain 随时间推移的变化. 我们文档中新增的"LangChain 随时间推移的变化"部分可帮助您及时了解变化。其中提供了有关 LangChain 如何变化、如何升级以及如何将旧版本中的先前概念映射到新版本中的指南。这是社区强烈要求的功能，我们也认为它非常必要!
1
2
3
4
5
6

如果需要将工具转换成 openai 工具形式参数，可以使用 convert_to_openai_tool() 辅助函数，示例如下：

from langchain_community.tools import DuckDuckGoSearchRun
from langchain_core.utils.function_calling import convert_to_openai_tool

search = DuckDuckGoSearchRun()
print(convert_to_openai_tool(search))
1
2
3
4
5

输出内容：

{'type': 'function', 'function': {'name': 'duckduckgo_search', 'description': 'A wrapper around DuckDuckGo Search. Useful for when you need to answer questions about current events. Input should be a search query.', 'parameters': {'type': 'object', 'properties': {'query': {'description': 'search query to look up', 'type': 'string'}}, 'required': ['query']}}}
1

# 02. LangChain 内置工具包

在 LangChain 中， 工具包是一组设计用于一起执行特定任务的工具集 ，它们具有便捷加载的方法—— get_tools() ，并且所有工具包都公开了一个 get_tools() 方法，该方法返回一个工具列表，这样就无需一个一个加载特定的工具了。

  • LangChain 内置工具包列表： https://imooc-langchain.shortvar.com/docs/integrations/toolkits/

工具包 一般是同一个服务提供商提供的一系列工具，例如在 LangChain 中封装了 Azure AI 的对应工具包，该工具包提供了 5 个工具：

  • AzureAiServicesImageAnalysisTool ：用于从图像中提取标题、对象、标签和文本。

  • AzureAiServicesDocumentIntelligenceTool ：用于从文档中提取文本、表格和键值对。

  • AzureAiServicesSpeechToTextTool ：用于将语音转录为文本。

  • AzureAiServicesTextToSpeechTool ：用于将文本合成语音。

  • AzureAiServicesTextAnalyticsForHealthTool ：用于提取医疗实体。

使用起来也非常简单，首先安装特定的依赖包：

pip install -U azure-ai-formrecognizer azure-cognitiveservices-speech azure-ai-textanalytics azure-ai-vision-imageanalysis
1

然后配置 Azure 的相关环境变量：

import os
os.environ["OPENAI_API_KEY"] = "sk-"
os.environ["AZURE_AI_SERVICES_KEY"] = ""
os.environ["AZURE_AI_SERVICES_ENDPOINT"] = ""
os.environ["AZURE_AI_SERVICES_REGION"] = ""
1
2
3
4
5

接下来就可以创建工具包，示例如下：

from langchain_community.agent_toolkits import AzureAiServicesToolkit

toolkit = AzureAiServicesToolkit()
print([tool.name for tool in toolkit.get_tools()])
1
2
3
4

输出内容如下：

['azure_ai_services_document_intelligence',
 'azure_ai_services_image_analysis',
 'azure_ai_services_speech_to_text',
 'azure_ai_services_text_to_speech',
 'azure_ai_services_text_analytics_for_health']
1
2
3
4
5

不过由于 工具包 包含了多组工具，一般很少单独拆分出来使用，通常用在 Agent 或者 函数调用 中，这样无需一次性实例化多个工具，在实际开发中，往往更多的是手动实例化工具进行组装。

# 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

← 创建自定义工具的 3 种技巧与使用场景 →