工具的作用

1.  扩展能力边界：模型可以借助工具完成它本身无法完成的任务，如执行数学计算、搜索网络、查询数据库等。
2. 保证信息实时性：通过调⽤搜索⼯具或数据库查询⼯具，LLM 可以获取最新的、训练数据中不存在的信息，避免回答过时或“⼀本正经地胡说⼋道”。
3. 处理复杂任务：将⼀个复杂的⽤⼾请求（如“分析我上个⽉的消费趋势”）分解成多个步骤，并依次调⽤不同的⼯具（如“从数据库获取数据” -> “⽤ Python 进⾏数据分析” -> “⽣成图表”） 来协同完成。协调这件事这更体现在 Agent 智能体上。
4. 连接现有系统：可以将企业内部已有的系统、API 和数据库封装成⼯具，让 LLM 成为⼀个⽤⾃然语⾔驱动的统⼀接⼝，极⼤地提升了⾃动化和集成能⼒。

创建工具

使用 @tool 装饰器创建⼯具

运行结果如下：

• 该装饰器默认使⽤函数名称作为⼯具名称。
• 该装饰器将使⽤函数的⽂档字符串作为⼯具的描述

什么是Schema

def fetch_data(url, retries=3):

"""从给定的URL获取数据。

Args:

url (str): 要从中获取数据的URL。

retries (int, optional): 失败时重试的次数。默认为3。

Returns:

dict: 从URL解析的JSON响应。

"""

其他工具定义模式

1、依赖Pydantic类

class AddInput(BaseModel):
    """
    两数相加
    """
    a: int = Field(description="第一个参数")
    b: int = Field(description="第二个参数")

@tool(args_schema=AddInput)
def add(a:int, b:int) -> int:
    return a+b

#调用工具
print(add.invoke({"a": 1, "b": 2}))
print(add.name)
print(add.description)
print(add.args)

运行结果如下：

注意是代码中 @tool 的 args_schema 参数，它表示工具函数在未提供描述、文档字符串等需要传 递给⼯具 Schema 的内容时，依赖 Pydantic 类使⽤ args_schema 参数，定义并提供⼯具输⼊参数的schema。默认为 None。

点击运⾏，不会报错，且将来运⾏时会进⾏数据验证。因此，我们再次印证了函数名、类型提⽰和⽂档字符串都是传递给⼯具 Schema 的⼀部分，不可缺失

2、依赖 Annotated

@tool
def add(

    a: Annotated[int, "第一个参数"],
    b: Annotated[int, "第二个参数"]
) -> int:
    """两数相加"""
    return a+b

print(add.invoke({"a": 4, "b": 2}))
print(add.name)
print(add.description)
print(add.args)

使用StructuredTool 类提供的函数创建工具

classmethod from_function(

func: Callable | None = None,

coroutine: Callable[[...], Awaitable[Any]] | None = None,

name: str | None = None,

description: str | None = None,

return_direct: bool = False,

args_schema: type[BaseModel] | dict[str, Any] | None = None,

infer_schema: bool = True,

*,

response_format: Literal['content', 'content_and_artifact'] = 'content',

parse_docstring: bool = False,

error_on_invalid_docstring: bool = False,

**kwargs: Any,

) → StructuredTool

• func：要设置的⼯具函数
• coroutine：协程函数，要设置的异步⼯具函数
• name：⼯具名称。默认为函数名称。
• description：⼯具描述。默认为函数文档字符串。
• args_schema：⼯具输⼊参数的schema。默认为 None。
• response_format：⼯具响应格式。默认为“content”。
  • 如果配置为 “content” ，则⼯具的输出为 ToolMessage 的 content 属性。         ​​​​​
    • 对于 HumanMessage 、AIMessage 已经⻅过，分别表示用户消息和 AI消息响应 ， 对于 ToolMessage ，它表示对应⼯具⻆⾊所发出的消息。
  • 如果配置为 “content_and_artifact” ，则输出应是与 ToolMessage 的 content 属性与 artifact 属性相对应的⼆元组。

实例一：常规用法

from langchain_core.tools import StructuredTool

def add(a:int,b:int) ->int:
    """两数相加 """
    return a+b
tool = StructuredTool.from_function(add)
print(tool.invoke({"a": 1, "b": 2}))
print(tool.name)
print(tool.description)
print(tool.args)

调用结果：

示例2：加入配置，依赖 Pydantic 类

• 使用 args_schema 参数，依赖 Pydantic 类定义并提供工具输入参数的 schema 属性

调用结果

绑定工具

@tool
def add(
        a:Annotated[int,...,"第一个整数"],
        b:Annotated[int,...,"第二个整数"],
) -> int:
    """两数相加"""
    return a + b

@tool
def multiply(
        a:Annotated[int,"第一个参数"],
        b:Annotated[int,"第二个参数"],
) -> int:
    """两数相乘"""
    return a * b

key = os.environ['DEEPSEEK_API_KEY']
model = ChatOpenAI(
    model='deepseek-chat',
    base_url="https://api.deepseek.com",
    api_key=key,
        )

#绑定工具
tools = [add,multiply]
model_tool = model.bind_tools(tools=tools) #返回一个绑定了工具的model

bind_tools方法定义

bind_tools(

tools: Sequence[dict[str, Any] | type | Callable | BaseTool],

*,

tool_choice: dict | str | Literal['auto', 'none', 'required', 'any'] | bool

| None = None,

strict: bool | None = None,

parallel_tool_calls: bool | None = None,

**kwargs: Any,

) → Runnable[PromptValue | str | Sequence[BaseMessage | list[str] |

tuple[str, str] | str | dict[str, Any]], BaseMessage]

• tools ：绑定到此聊天模型的⼯具定义列表。⽀持的类型为：字典、pydantic.BaseModel 类、 Python 函数和 BaseTool（如 @tool 装饰器创建的类）。
• tool_choice （默认空）：要求模型调⽤哪个⼯具。可以设置为：
  • 形式为 '<<tool_name>>' 的 str：调⽤ <tool_name> ⼯具
  • 'auto' ：⾃动选择⼯具（包括⽆⼯具）。
  • 'none' ：不调⽤⼯具。
  • 'any' 或 'required' 或 True ：强制调⽤⾄少⼀个⼯具。
  • False 或 None ：⽆效果，默认 OpenAI 的⾏为。
• strict （默认空）
  • 如果为 True ，则保证模型输出与⼯具定义中提供的 JSON Schema 完全匹配。输⼊也将根据提供的 Schema 进⾏验证。
  • 如果为 False ，则不会验证输⼊，也不会验证模型输出。
  • 如果为 None ，则不会将 strict 参数传递给模型。

  返回值：

  • 返回⼀个 Runnable 实例。