工具¶

许多 AI 应用通过自然语言与用户交互。然而，一些用例要求模型使用结构化输入直接与外部系统（如 API、数据库或文件系统）进行交互。在这些场景中，工具调用使模型能够生成符合指定输入模式的请求。

**工具**封装了一个可调用函数及其输入模式。它们可以传递给兼容的聊天模型，从而让模型决定是否调用某个工具以及使用哪些参数。

工具调用¶

模型进行工具调用的示意图

工具调用通常是有条件的。基于用户输入和可用工具，模型可能会选择发出一次工具调用请求。该请求会在一个 AIMessage 对象中返回，其中包含一个 tool_calls 字段，用于指定工具名称和输入参数：

llm_with_tools.invoke("2 乘以 3 等于多少？")
# -> AIMessage(tool_calls=[{'name': 'multiply', 'args': {'a': 2, 'b': 3}, ...}])

AIMessage(
  tool_calls=[
    ToolCall(name="multiply", args={"a": 2, "b": 3}),
    ...
  ]
)

如果输入与任何工具都无关，模型只会返回一条自然语言消息：

llm_with_tools.invoke("你好，世界！")  # -> AIMessage(content="你好！")

需要注意的是，模型并不会执行该工具——它只会生成一个请求。工具调用的执行由单独的执行器（例如运行时或智能体）负责，并返回结果。

LangChain 为常见的外部系统（包括 API、数据库、文件系统和网页数据）提供了预构建的工具集成。

在集成目录中浏览可用工具。

常见类别：

你可以使用 @tool 装饰器或普通 Python 函数定义自定义工具。例如：

^{API Reference: tool}

from langchain_core.tools import tool

@tool
def multiply(a: int, b: int) -> int:
    """将两个数字相乘。"""
    return a * b

虽然由模型来决定何时调用工具，但工具调用的实际执行必须由运行时组件处理。

LangGraph 为此提供了预构建的组件：