LangChain 1.0 工具系统：从内置工具到自定义工具开发

玄同 765

大语言模型 (LLM) 开发工程师 | 中国传媒大学 · 数字媒体技术（智能交互与游戏设计）

优快云 · 个人主页 | GitHub · Follow

---

关于作者

• 深耕领域：大语言模型开发 / RAG 知识库 / AI Agent 落地 / 模型微调
• 技术栈：Python | RAG (LangChain / Dify + Milvus) | FastAPI + Docker
• 工程能力：专注模型工程化部署、知识库构建与优化，擅长全流程解决方案

「让 AI 交互更智能，让技术落地更高效」
欢迎技术探讨与项目合作，解锁大模型与智能交互的无限可能！

---

一、工具系统概述

1.1 工具系统核心概念

工具系统提供统一 Tool 抽象，支持所有主流模型的 Tool Calling，深度集成 LangGraph，构建可执行 agent 环境的关键能力层。工具系统是智能体与外部世界交互的桥梁，使模型能够执行各种操作，扩展其能力边界。

核心组件：

• 内置工具：搜索、计算、代码执行等100+工具
• 自定义工具：@tool装饰器 / BaseTool / ToolNode
• 工具包：Toolkit（如GitHub、Slack集成）

1.2 工具调用流程

1.3 工具系统架构

层级	组件	功能	实现方式
抽象层	BaseTool	工具基类	继承实现
实现层	具体工具	工具逻辑	@tool装饰器、自定义类
集成层	Toolkit	工具集合	组合多个工具
执行层	ToolNode	工具执行	LangGraph节点

1.4 工具调用的优势

优势	具体体现	应用场景
扩展能力	调用外部API和服务	集成第三方系统
实时数据	联网搜索获取最新信息	新闻、天气、股价
复杂计算	执行代码和数学运算	数据分析、科学计算
系统交互	操作文件和数据库	数据处理、持久化
任务自动化	多步骤任务执行	工作流自动化

二、内置工具使用

2.1 常用内置工具

LangChain 提供了丰富的内置工具，涵盖多种常见场景：

工具类型	功能描述	示例
搜索工具	联网搜索信息	GoogleSearchTool
计算工具	执行数学计算	CalculatorTool
代码执行	执行Python代码	PythonREPLTool
文件操作	读写文件	FileSystemTool
数据库	操作数据库	SQLDatabaseTool

2.2 内置工具使用示例

from langchain.tools import PythonREPLTool
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 1. 初始化工具
python_repl = PythonREPLTool()

# 2. 初始化模型
model = ChatOpenAI(model="gpt-4o-mini")

# 3. 创建包含工具信息的prompt
prompt = ChatPromptTemplate.from_template(
    "你是一个助手，可以使用Python执行计算。\n"
    "用户问题: {question}\n"
    "如果需要计算，请使用Python工具。"
)

# 4. 创建链
chain = prompt | model

# 5. 执行
result = chain.invoke({"question": "计算1+2+3+...+100的和"})
print(result.content)

三、自定义工具开发

3.1 使用 @tool 装饰器

@tool 装饰器是创建自定义工具的最简单方式：

from langchain_core.tools import tool

@tool

def multiply(a: int, b: int) -> int:
    """Multiplies a and b."""
    return a * b

@tool

def divide(a: int, b: int) -> float:
    """Divides a by b."""
    if b == 0:
        raise ValueError("除数不能为零")
    return a / b

# 调用工具
result = multiply.invoke({"a": 2, "b": 3})
print(result)  # 输出: 6

# 批处理
results = multiply.batch([{"a": 2, "b": 3}, {"a": 4, "b": 5}])
print(results)  # 输出: [6, 20]

3.2 继承 BaseTool 类

对于更复杂的工具，可以继承 BaseTool 类：

from langchain_core.tools import BaseTool
from typing import Optional, Type, TypeVar, Any

T = TypeVar('T')

class CustomTool(BaseTool):
    name: str = "custom_tool"
    description: str = "执行自定义操作"
  
    def _run(
        self, 
        input_text: str, 
        **kwargs: Any
    ) -> str:
        """执行工具的核心逻辑"""
        # 实现工具逻辑
        return f"处理结果: {input_text.upper()}"

# 使用自定义工具
tool = CustomTool()
result = tool.invoke({"input_text": "hello world"})
print(result)  # 输出: 处理结果: HELLO WORLD

3.3 使用 ToolNode

对于需要集成到 LangGraph 中的工具，可以使用 ToolNode：

from langgraph.prebuilt import ToolNode

# 1. 创建工具列表
tools = [multiply, divide]

# 2. 创建工具节点
tool_node = ToolNode(tools)

# 3. 在 LangGraph 中使用
# (将在后续博客中详细介绍)

四、工具包集成

4.1 工具包概述

工具包（Toolkit）是一组相关工具的集合，方便开发者快速集成特定领域的功能：

• GitHubToolkit：GitHub 操作
• SlackToolkit：Slack 消息发送
• GmailToolkit：邮件发送和接收
• GoogleCalendarToolkit：日历管理

4.2 工具包使用示例

以 GitHubToolkit 为例：

from langchain_community.agent_toolkits.github.toolkit import GitHubToolkit
from langchain_community.agent_toolkits.github.utilities import GitHubAPIWrapper

# 1. 初始化 GitHub API 包装器
github = GitHubAPIWrapper(
    github_repository="langchain-ai/langchain",
    github_token="your-github-token"
)

# 2. 创建工具包
toolkit = GitHubToolkit.from_github_api_wrapper(github)

# 3. 获取工具列表
tools = toolkit.get_tools()
print([tool.name for tool in tools])

# 4. 使用工具
issues_tool = next(tool for tool in tools if tool.name == "github-search-issues")
result = issues_tool.invoke({"query": "bug"})
print(result)

五、工具调用最佳实践

5.1 工具设计原则

• 明确的描述：工具描述应该清晰说明工具的功能和参数
• 错误处理：工具应该妥善处理异常情况
• 参数验证：对输入参数进行验证
• 返回格式：返回结构化的结果，便于模型理解

5.2 工具安全性

• 权限控制：限制工具的访问权限
• 输入验证：验证用户输入，防止恶意代码
• 输出限制：限制工具输出的大小和内容
• 审计日志：记录工具的使用情况

5.3 工具性能优化

• 缓存：对频繁调用的结果进行缓存
• 异步：使用异步执行提高性能
• 批处理：对多个相似请求进行批处理
• 超时设置：为工具设置合理的超时时间

六、实战案例

6.1 构建一个天气查询工具

from langchain_core.tools import tool
import requests

@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    # 这里使用模拟数据，实际应用中可以调用真实的天气API
    weather_data = {
        "北京": "晴，15-25°C",
        "上海": "多云，18-28°C",
        "广州": "阴，22-30°C"
    }
  
    if city in weather_data:
        return f"{city}的天气: {weather_data[city]}"
    else:
        return f"抱歉，暂无法获取{city}的天气信息"

# 测试工具
result = get_weather.invoke({"city": "北京"})
print(result)  # 输出: 北京的天气: 晴，15-25°C

6.2 构建一个智能体使用工具

from langchain.agents import create_agent
from langchain_openai import ChatOpenAI

# 1. 初始化模型
model = ChatOpenAI(model="gpt-4o-mini")

# 2. 准备工具
tools = [get_weather, multiply]

# 3. 创建智能体
agent = create_agent(model, tools)

# 4. 执行任务
result = agent.invoke({
    "messages": [
        {"role": "user", "content": "北京的天气怎么样？"}
    ]
})
print(result["messages"][-1]["content"])

# 5. 执行需要计算的任务
result = agent.invoke({
    "messages": [
        {"role": "user", "content": "345乘以678等于多少？"}
    ]
})
print(result["messages"][-1]["content"])

七、应用场景分析

7.1 适合使用工具的场景

• 信息获取：需要实时信息或外部数据
• 计算密集：需要复杂计算或数据分析
• 系统交互：需要操作文件、数据库或API
• 代码执行：需要运行代码或脚本
• 多步骤任务：需要多个工具协作完成

7.2 工具系统的局限性

• API依赖：依赖外部服务的可用性
• 速率限制：可能受到API调用频率限制
• 安全性：需要谨慎处理用户输入
• 复杂性：工具过多会增加模型的决策难度

八、总结

LangChain 1.0 的工具系统通过统一的抽象和丰富的内置工具，为开发者提供了构建复杂智能体应用的强大能力。通过本文的介绍，开发者可以掌握工具的创建和使用方法，实现与外部系统的无缝集成，构建具备实际业务能力的AI应用。

在后续的博客中，我们将介绍如何利用这些工具构建完整的智能体应用，以及如何通过 LangGraph 实现更复杂的工作流。