LangChain 1.2 入门（十七）：Tools 是什么——让模型从「会说」到「会做」

前面几篇解决的都是输入侧的问题：模型怎么初始化、消息怎么组织、提示词怎么模板化。但不管输入多讲究，模型本身只会输出文本——它不知道今天的天气，算不准大数乘法，也读不到你数据库里的订单。Tools 补的就是这一环：让模型从「会说话」变成「会干活」。

17.1 只会生成文本，能力就到顶了

工具是赋予大语言模型「与外部世界交互能力」的关键组件。有了工具，智能体才能执行搜索、计算、数据库查询、发邮件、调用第三方 API 这类动作。一句话概括：没有工具，大模型只能认识世界；有了工具，它才开始改变世界。

课件里这张图把「工具」的典型形态列全了：搜索、计算器、数据库/文件读写、邮件与消息发送。

LangChain 框架工具的应用场景：搜索、计算器、数据库/文件、邮件沟通四类工具围绕智能体工作

这也是工具被视为智能体核心要素的原因。一个只能输出文本的 Agent，本质上是个更贵的问答机器人：它能告诉你「应该查一下天气」，但没法自己查。

17.2 工具：明确定义了输入输出的可调用函数

在 LangChain 里，工具（Tools）不是某种特殊对象，而是一个明确声明了输入和输出的可调用函数。正因如此，工具调用（Tool Calling）在别处也叫函数调用（Function Calling）——两个词说的是同一件事。

调用方式有两种，用途完全不同。

方式 1：直接调用，用于测试。工具本身就是可调用对象，用 .invoke() 传一个字典即可。

from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """
    获取指定城市的天气信息
    Args:
        city: 城市名称，如 "北京"、"上海"
    Returns:
        天气信息字符串
    """
    return city + "晴天，温度 15°C"

# 直接调用，入参是 dict，键名与参数名一致
result = get_weather.invoke({"city": "北京"})
print(result)

输出：

北京晴天，温度 15°C

方式 2：绑定到模型，开发中的主流做法。用 bind_tools() 把工具交给模型，由模型自己决定要不要调、调哪个、参数填什么。这种方式下工具是给 AI 用的，不是给你手动调用的。

后续所有例子都基于同一段模型初始化：

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv(override=True)
model = init_chat_model(
    model="gpt-5.4-mini",
    model_provider="openai",
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

初始化细节见 init_chat_model 统一初始化。

17.3 完整流程：四步，缺一不可

先看最小可运行版本：把工具绑上去，问一个需要天气的问题，看看模型返回什么。

from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气"""
    return "晴天，温度 15°C"

model_with_tools = model.bind_tools([get_weather])

response = model_with_tools.invoke("北京天气如何？")
# 换成 "2 + 3 = ？" 时，模型判断不需要工具
if response.tool_calls:
    print("AI 想调用工具：", response.tool_calls)
else:
    print("AI 直接回答：", response.content)

输出：

AI 想调用工具： [{'name': 'get_weather', 'args': {'city': '北京'},
  'id': 'call_fR3LE8Wjqh9lnDosQ61Y892E', 'type': 'tool_call'}]

注意此刻 response.content 是空的：模型只给了一个「调用请求」，没有执行任何函数。它把工具名、参数、调用 ID 一并发给你，接下来轮到你动手。所以真正能拿到最终答案的流程有四步：

步骤	谁做	做什么
1 绑定工具	开发者	`model.bind_tools([...])`，一次可绑多个
2 生成调用请求	模型	需要工具时返回带 `tool_calls` 的 AIMessage
3 执行工具	开发者	从 `tool_calls` 取名称和参数，真正调用函数
4 回传结果	开发者 + 模型	把结果包成 ToolMessage 塞回消息列表，再调一次模型生成最终回复

工具调用整体流程图：用户提问、AI 助手打包工具描述问模型、模型给出调用参数、执行工具、结果回传模型

关键在于第 3 步：工具始终是开发者的代码在执行，模型不执行任何东西。模型负责「决定调用什么」和「读懂返回结果」，中间的搬运工作由你负责。

大模型调用工具是单次推理，一次请求给一个结果，不会自己循环。要连续调用多个工具，循环必须自己写——这部分在（十九）的多工具案例里展开。

17.4 从 Message 流转看工具调用

把上面四步拆到消息层面，整个过程就是消息列表的追加。课件里这张流程图把八个动作画全了：初始化模型与工具、创建 HumanMessage、调用模型、生成带 tool_calls 的 AIMessage、挂载 AI 响应、生成 ToolMessage、追加、最终响应。

工具调用的消息流转流程图：HumanMessage、AIMessage（含 tool_calls）、ToolMessage 与最终响应

先看不使用 @tool 装饰的写法，此时工具只是一个普通函数：

from langchain.messages import HumanMessage, ToolMessage

def get_weather(city: str):
    """获取天气的工具"""
    return f"{city}天气晴朗"

model_with_tools = model.bind_tools([get_weather])
messages = [HumanMessage("今天北京天气如何")]

# 模型生成调用工具请求（AIMessage）
response = model_with_tools.invoke(messages)
messages.append(response)

# 开发者手动执行工具，并自己拼 ToolMessage
for tool_call in response.tool_calls:
    if tool_call["name"] == "get_weather":
        tool_response = ToolMessage(
            content=get_weather(**tool_call["args"]),
            tool_call_id=tool_call["id"],
            name=tool_call["name"],
        )
        messages.append(tool_response)

# 带着工具结果再问一次，模型才会给出自然语言回复
final_response = model_with_tools.invoke(messages)
print(final_response.content)

这段代码里最容易被忽略的是 tool_call_id：它必须与服务端返回的 tool_call["id"] 一致，模型靠这个 ID 把「我要的结果」和「你给的结果」对上。手拼出错，模型就会忽略这条 ToolMessage。

换成 @tool 修饰后，工具自己就能吃下整个 tool_call，直接吐一个 ToolMessage，不用再手工拼：

import os
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
from langchain_core.tools import tool
from langchain.messages import HumanMessage

load_dotenv(override=True)
model = init_chat_model(
    model="gpt-5.4-mini",
    model_provider="openai",
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

@tool
def get_weather(city: str):
    """获取天气的工具"""
    return f"{city}天气晴朗~"

model_with_tools = model.bind_tools([get_weather])
messages = [HumanMessage("今天北京天气如何")]

response = model_with_tools.invoke(messages)
messages.append(response)

for tool_call in response.tool_calls:
    if tool_call["name"] == "get_weather":
        tool_response = get_weather.invoke(tool_call)   # 直接返回 ToolMessage
        print(type(tool_response))
        messages.append(tool_response)

for msg in messages:
    msg.pretty_print()

final_response = model_with_tools.invoke(messages)
print(final_response.content)

输出（截取关键部分）：

<class 'langchain_core.messages.tool.ToolMessage'>
================================ Human Message ================================
今天北京天气如何
================================== Ai Message ==================================
好的，我来帮你查一下今天北京的天气情况。
Tool Calls:
  get_weather (call_00_f65kV4JKjBPK0HhURzO99449)
 Call ID: call_00_f65kV4JKjBPK0HhURzO99449
  Args:
    city: 北京
================================= Tool Message ==================================
Name: get_weather
北京天气晴朗~
今天北京天气 **晴朗** ☀，是个好天气，可以放心出门。

消息序列读起来就是一次完整的对话：人类提问 → AI 说要查天气并给出参数 → 工具返回结果 → AI 总结。调试时 pretty_print() 打一遍这个序列，比读任何日志都直观。

17.5 小结

这一篇只讲清楚了「工具是什么」和「调用怎么跑起来」：工具是声明了输入输出的可调用函数，调用方式分直接调用和绑定模型两种，完整流程是绑定、生成调用请求、执行、回传四步，模型永远只负责决策不负责执行。

但上面的工具描述都很随意——docstring 写了一行甚至没写。模型凭什么知道什么时候该调 get_weather？参数该填什么格式？下一篇讲工具的定义方式：docstring 的写法、@tool 的参数，以及用 Pydantic 和 JSON Schema 精确定义参数。

上一篇：提示词模板 ChatPromptTemplate 与高级用法；系列第一篇：为什么需要 LangChain。

本文根据公开课程课件整理，并结合 LangChain 官方文档核对与补充。