langchain学习笔记——tools工具使用，扩展大模型能力边界

langchain的tools工具使用，这是大模型能力得到扩展的核心

lemondadadada

466人浏览 · 2025-07-12 23:04:50

lemondadadada · 2025-07-12 23:04:50 发布

前言

本篇笔记主要内容来自小破站楼兰老师的教学视频，再加上自己的一些理解，看一遍相当于看了一遍视频教程，可以节省很多时间，属于入门教程，此外基础的环境搭建，大模型对接，相关基础概念，交互方式，存储记忆等内容可以按顺序看我之前的笔记快速入门。
tips:有些我觉得值得记下来的内容我懒得打字，太消耗时间，就直接截图了，希望不要介意~
入门篇一基础概念及快速搭建
 入门篇二LCEL链式表达式
 入门篇三Redis实现记忆
 入门篇四记忆整合LCEL链

理解Tools工作机制

在这里插入图片描述
举个简单的例子，大模型能知道今天是几月几号吗？并不可以，这就像人类需要看手表一样，需要借助外部工具才能解决类似的问题。
又如一些我们存到本地数据库的一些业务上的数据，没有开放到互联网上，自然大模型是没办法访问的
我问大模型今天几月几号得到的结果：
在这里插入图片描述
当然不同的大模型给出的结果不一样，有的会直接告诉你无法给出。这个有点像幻觉问题？
如何解决？
我们很容易用一些工具类得到日期，那我们可以写一个工具，让大模型调用本地api来获取今天是几月几号。
在这里插入图片描述
langchain的官网可以看到大模型是否支持工具机制：

楼兰老师说deepseek-v3支持工具机制，而deepseek-r1推理模型不支持，现在支不支持不知道。

定制本地tool工具

一般步骤：
1先通过@tool注解把函数声明成一个工具，并通过注释等方式表示这个工具的作用
2再把大模型和工具进行绑定
3调用带有工具的大模型实例来处理问题
代码示例：

import datetime
import os
from langchain.tools import tool
from langchain_deepseek import ChatDeepSeek

from demo1.config.load_key import load_key

if not os.environ.get("DEEPSEEK_API_KEY"):
    os.environ["DEEPSEEK_API_KEY"]=load_key("DEEPSEEK_API_KEY")
#声明工具
@tool
def get_current_time():
    """获取今天的日期"""
    return datetime.datetime.today().strftime("%Y-%m-%d")
llm = ChatDeepSeek(model="deepseek-chat", )

# 绑定大模型
llmWithTools = llm.bind_tools([get_current_time])
aimessage = llmWithTools.invoke("今天几月几号")
print(aimessage)

我们看一下返回的结果：
在这里插入图片描述
但是为啥没有结果呢？因为大模型这里接收到我们的message之后，判断需要调用本地提供的方法，但是还需要我们调用一下它才能拿到结果呢。它会根据我们提的问题（今天是几月几号）分析出需要调用哪个工具（我们提供的tool，所以我们提供的注释非常重要，要描述好功能大模型才能分析出来）。
总之到目前为止，大模型会返回一个工具调用请求，我们来打印一下看看
在这里插入图片描述
所以接下来我们要拿到大模型需要调用哪个工具，帮他调用一下拿到结果，然后再把结果和之前的问题一起传给大模型，大模型会进行一个综合的考虑后给出答案。
代码：

import datetime
import os
from langchain.tools import tool
from langchain_deepseek import ChatDeepSeek

from demo1.config.load_key import load_key

if not os.environ.get("DEEPSEEK_API_KEY"):
    os.environ["DEEPSEEK_API_KEY"] = load_key("DEEPSEEK_API_KEY")


# 声明工具
@tool
def get_current_time():
    """获取今天的日期"""
    return datetime.datetime.today().strftime("%Y-%m-%d")


llm = ChatDeepSeek(model="deepseek-chat", )
# 工具容器，未来我们要根据大模型的工具调用结果拿到对应的工具
all_tools = {"get_current_time": get_current_time}
# 绑定大模型
llmWithTools = llm.bind_tools([get_current_time])
# 把消息放到一起
query="今天几月几号"
messages=[query]
aimessage = llmWithTools.invoke(messages)
messages.append(aimessage)
# print(aimessage)
print(aimessage.tool_calls)
if aimessage.tool_calls:
    for toolcall in aimessage.tool_calls:
        selected_tool = all_tools[toolcall["name"].lower()]
        tool_message = selected_tool.invoke(toolcall)
        print(tool_message)
        messages.append(tool_message)
response = llmWithTools.invoke(messages).content
print(response)

结果：
在这里插入图片描述
关键代码分析：

大家跟着图中的顺序捋一遍就清楚了
最终我们发给大模型的消息是：

深入理解@tool注解

自定义工具名字

在这里插入图片描述
可以同一个方法申明成不同的工具

自定义工具描述

在这里插入图片描述
我们把刚刚的代码稍微改造一下，函数名我就不换了：

看看结果：

深度定制工具

在这里插入图片描述
这个方式即不通过注解的方式来定义工具，例子：

这种方式对方法没有侵入，灵活性要更高

结合大模型定制工具

我们还可以把一个chain转换成一个工具
当然这个是0.3版本新增的功能，目前还在实验阶段，后续也许会变动
代码：

import os

from langchain.tools import tool
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_deepseek import ChatDeepSeek

from demo1.config.load_key import load_key

if not os.environ.get("DEEPSEEK_API_KEY"):
    os.environ["DEEPSEEK_API_KEY"] = load_key("DEEPSEEK_API_KEY")
#大模型
llm = ChatDeepSeek(model="deepseek-chat", )
# 申明工具
# 提示词模板
prompt = ChatPromptTemplate.from_messages([("human","你好，请用{language}翻译一下:{text}.")])
parser = StrOutputParser()
chain=prompt | llm |parser
chainTool = chain.as_tool(name="translatetool", description="翻译任务")
print("chainTool.args=",chainTool.args)
# 工具容器，未来我们要根据大模型的工具调用结果拿到对应的工具
all_tools = {"translatetool": chainTool}
# 绑定大模型
llmWithTools = llm.bind_tools([chainTool])

# 把消息放到一起
query="今天天气真冷，这句话用英语怎么说？"
messages=[query]
aimessage = llmWithTools.invoke(messages)
messages.append(aimessage)
# print("messages=",messages)

# print(aimessage)
print("tool_calls=",aimessage.tool_calls)
if aimessage.tool_calls:
    for toolcall in aimessage.tool_calls:
        print(toolcall)
        selected_tool = all_tools[toolcall["name"].lower()]
        tool_message = selected_tool.invoke(toolcall)
        print(tool_message)
        messages.append(tool_message)
print("messages:")
for message in messages:
    print(message)
print(messages)
response = llmWithTools.invoke(messages).content
print(response)

也可以使用langchain提供的一些工具
在这里插入图片描述
工具包

这些工具你玩熟悉了会发现其实这些东西就是现在网上很火的MCP
server端部署好这些服务
大语言模型来判断要不要调用这些server工具
只不过这个mcp协议是claude定制了一种标准的协议，定义了服务端应该怎么样去卡法，客户端应该怎样去开发，更加宽泛的一种协议，而不是我们这里使用的http协议这种标准的协议
mcp协议又实现了很多例如读论文，网上搜索信息等各种功能。所以mcp协议是根据tool工具来的

使用Agent执行工具

在这里插入图片描述
agent智能体相当于做了一个封装

langchain.agents提供了一些方法来构建智能体
代码也很简单：

import os
from langchain.agents import initialize_agent, AgentType
from langchain.tools import tool
from langchain_deepseek import ChatDeepSeek
from demo1.config.load_key import load_key

if not os.environ.get("DEEPSEEK_API_KEY"):
    os.environ["DEEPSEEK_API_KEY"] = load_key("DEEPSEEK_API_KEY")
#大模型
llm = ChatDeepSeek(model="deepseek-chat", )
# 声明工具
@tool
def get_current_time(city:str):
    """获取某个城市的天气
    Args:
        city: 具体城市
    """

    return city+"今天天气不错"


query="北京今天天气怎么样？"

agent = initialize_agent(
    tools=[get_current_time],
    llm=llm,
    agent_type=AgentType.OPENAI_FUNCTIONS,
    verbose=True)
response = agent.invoke(query)
print("response=",response)