LangChain工具函数实践：让AI能力连接生活！

LangChain工具函数实践：让AI能力连接生活！

引言

在构建AI应用时，我们经常需要让AI模型具备调用外部功能的能力。LangChain提供了强大的工具函数（Tools）机制，使我们能够轻松地扩展AI模型的能力。本文将详细介绍如何在LangChain中实现和使用工具函数。

环境准备

import os
from os import environ
from langchain_core.tools import StructuredTool
from langchain_openai import ChatOpenAI
from langchain.tools import tool
from dotenv import load_dotenv
import datetime

# 加载环境变量
load_dotenv()

配置模型

model = ChatOpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key=os.getenv("KEY"),
    model="google/gemini-2.0-flash-001"
)

工具函数实现

1. 使用@tool装饰器

这是最简单的工具函数定义方式：

@tool
def get_date():
    """获取当前日期"""
    return datetime.datetime.now().strftime("%Y-%m-%d")

@tool
def get_weather(region: str):
    """
    获取指定地区的天气
    :param region: 地区
    :return: 天气信息
    """
    return f"{region}晴天，25度"

2. 使用StructuredTool

另一种更灵活的方式：

def get_sunset(region: str):
    """
    获取指定地区的日落时间
    :param region: 地区
    :return: 日落时间
    """
    return f"{region}日落时间为18:30"

# 将函数转换为工具
getSunsetTool = StructuredTool.from_function(
    func=get_sunset,
    description="获取指定地区的日落时间",
    name="get_sunset"
)

工具绑定与使用

1. 绑定工具到模型

# 方式1：直接绑定工具列表
llm_with_tools = model.bind_tools([get_date, get_weather, getSunsetTool])

# 方式2：创建工具字典
all_tools = {
    "get_date": get_date,
    "get_weather": get_weather,
    "get_sunset": getSunsetTool
}

2. 使用工具处理查询

def process_query(query):
    message = [query]
    
    # 获取AI响应
    ai_msg = llm_with_tools.invoke(message)
    print(ai_msg)
    message.append(ai_msg)
    
    # 处理工具调用
    if ai_msg.additional_kwargs:
        for tool_call in ai_msg.tool_calls:
            tool_result = all_tools[tool_call['name'].lower()]
            tool_msg = tool_result.invoke(tool_call)
            message.append(tool_msg)
    
    # 获取最终响应
    final_response = llm_with_tools.invoke(message).content
    return final_response

使用示例

# 查询当前日期
query1 = "今天是几月几号"

# 查询天气
query2 = "上海今天天气怎么样"

# 复合查询
query3 = "上海今天天气怎么样,几点有日落"

# 处理查询
result = process_query(query3)
print(result)

技术要点解析

1. 工具函数定义

   • 使用@tool装饰器
   • 使用StructuredTool.from_function
   • 必须提供清晰的文档字符串

2. 参数类型

   • 明确定义参数类型
   • 提供参数说明
   • 返回值说明

3. 工具绑定

   • 支持多个工具同时绑定
   • 工具名称需要唯一
   • 支持动态调用

4. 消息处理

   • 维护对话上下文
   • 处理工具调用结果
   • 生成最终响应

最佳实践

1. 工具函数命名和描述

@tool
def get_weather(region: str):
    """
    获取指定地区的天气信息
    Args:
        region: 地区名称（如：北京、上海）
    Returns:
        str: 天气描述
    """
    return f"{region}晴天，25度"

2. 错误处理

@tool
def safe_get_weather(region: str):
    try:
        # 实际的天气API调用
        return f"{region}晴天，25度"
    except Exception as e:
        return f"获取{region}天气信息失败：{str(e)}"

3. 工具组合使用

def get_weather_report(region: str):
    weather = get_weather(region)
    sunset = get_sunset(region)
    return f"{region}天气报告：{weather}，{sunset}"

应用场景

1. 信息查询

   • 天气查询
   • 时间日期
   • 地理信息

2. 数据处理

   • 数据转换
   • 计算功能
   • 格式化输出

3. 系统集成

   • API调用
   • 数据库操作
   • 文件处理

注意事项

1. 安全性

   • 输入验证
   • 权限控制
   • 敏感信息保护

2. 性能

   • 避免耗时操作
   • 合理使用缓存
   • 异步处理

3. 可维护性

   • 清晰的文档
   • 模块化设计
   • 错误处理

结论

LangChain的工具函数机制为AI模型提供了强大的扩展能力，通过合理使用工具函数，我们可以构建更加智能和实用的AI应用。

参考资料

• LangChain官方文档
• Python装饰器文档
• AI工具集成最佳实践

通过本文的介绍，你应该能够掌握如何在LangChain中实现和使用工具函数，为AI模型赋予更多实用的能力。