**如何构建自定义工具：LangChain 工具的全面指南**_自定义工具设计方案-优快云博客

本文链接：https://blog.youkuaiyun.com/dagGAIYD/article/details/145122156

在开发智能代理时，为了增强其功能，我们通常需要提供一组工具（Tools）供其调用。LangChain 提供了多种便捷的方法来定义和配置这些工具，包括从函数构建工具、使用结构化工具StructuredTool以及通过继承BaseTool类构建自定义工具。本指南将重点介绍如何通过实际代码示例，逐步掌握工具的创建和使用。

技术背景介绍

工具是智能代理与外界交互的桥梁。通过工具，代理能够执行诸如数据处理、API调用、计算等具体任务。一个工具通常包含以下几个关键组件：

name: 工具的唯一标识。
description: 工具的功能描述，用于帮助模型理解工具的用途。
args_schema: 参数模式，基于Pydantic模型，用于描述输入的结构与约束条件。
return_direct: 是否直接返回结果，而不继续调用模型。

LangChain 提供了四种常见的方式来构建工具：

使用装饰器 @tool
使用结构化工具 StructuredTool.from_function
从 LangChain Runnables 转换工具
通过继承 BaseTool 类自定义工具

核心原理解析

无论采用哪种方式构建工具，核心的设计理念是让工具具备：

明确的输入输出：通过 args_schema 定义输入验证规则。
良好的描述性：通过 name 和 description 告知模型工具的功能。
同步&异步支持：工具需要支持异步调用以适应现代代码需求。

以下各部分将结合代码详细讲解这些方式。

代码实现演示

1. 使用 `@tool` 装饰器快速创建工具

@tool 是最简单的方式，通过装饰现有函数即可将其转化成一个工具。

from langchain_core.tools import tool

# 定义一个基础工具，用于计算两个数的乘积
@tool
def multiply(a: int, b: int) -> int:
    """Multiply two numbers."""
    return a * b

# 打印工具的相关属性
print(multiply.name)          # 输出: multiply
print(multiply.description)   # 输出: Multiply two numbers.
print(multiply.args)          # 输出: {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}

异步支持

@tool
async def amultiply(a: int, b: int) -> int:
    """Multiply two numbers asynchronously."""
    return a * b

注意: 使用@tool时，函数的注释(docstring)会自动作为工具的描述，因此必须提供函数注释。

2. 使用 `StructuredTool.from_function` 定义结构化工具

相比 @tool，StructuredTool.from_function 提供了更多的配置选项，比如工具名称、自定义参数模式以及异步协程支持。

from langchain.pydantic_v1 import BaseModel, Field
from langchain_core.tools import StructuredTool

class CalculatorInput(BaseModel):
    a: int = Field(description="First number")
    b: int = Field(description="Second number")

def multiply(a: int, b: int) -> int:
    """Multiply two numbers."""
    return a * b

calculator = StructuredTool.from_function(
    func=multiply,
    name="Calculator",
    description="A tool for multiplying two numbers",
    args_schema=CalculatorInput,
    return_direct=True,
)

# 调用工具
print(calculator.invoke({"a": 3, "b": 4}))   # 输出: 12

覆盖异步实现

async def amultiply(a: int, b: int) -> int:
    return a * b

calculator = StructuredTool.from_function(func=multiply, coroutine=amultiply)

3. 从 LangChain Runnables 转换为工具

LangChain Runnables 可以通过 .as_tool 方法快速转换为工具。

from langchain_core.language_models import GenericFakeChatModel
from langchain_core.prompts import ChatPromptTemplate

# 定义一个Prompt和Placeholder模型
prompt = ChatPromptTemplate.from_messages([("human", "Hello, please respond in the style of {answer_style}.")])
llm = GenericFakeChatModel(messages=iter(["hello matey"]))
chain = prompt | llm

# 转换为工具
as_tool = chain.as_tool(
    name="StyleResponder",
    description="Respond in a specific style."
)

# 查看工具参数
print(as_tool.args)  # {'answer_style': {'title': 'Answer Style', 'type': 'string'}}

4. 继承 `BaseTool` 类创建自定义工具

如果您需要完全控制工具的行为，可通过继承 BaseTool 来构建自己的工具。

from langchain.pydantic_v1 import BaseModel, Field
from langchain_core.tools import BaseTool

class CalculatorInput(BaseModel):
    a: int = Field(description="First number")
    b: int = Field(description="Second number")

class CustomCalculatorTool(BaseTool):
    name = "CustomCalculator"
    description = "Perform multiplication of two numbers."
    args_schema = CalculatorInput
    return_direct = True

    def _run(self, a: int, b: int) -> int:
        return a * b

    async def _arun(self, a: int, b: int) -> int:
        return self._run(a, b)

# 使用工具
custom_tool = CustomCalculatorTool()
print(custom_tool.invoke({"a": 2, "b": 5}))  # 输出: 10