LangChain 工具调用学习笔记

上一篇手写了最小 Agent 后，我开始用 LangChain 重构。框架的好处是抽象到位，坑点是版本变化太快，文档和实际行为经常对不上。这篇记录我学习工具调用（Tool Calling）的关键点。

工具定义的三种方式

LangChain 里定义工具有三种主流写法：

from langchain.tools import tool

@tool
def search(query: str) -> str:
    """在网络上搜索信息"""
    return "..."

# 也可以用 StructuredTool.from_function
# 或者继承 BaseTool

最推荐用 @tool 装饰器，函数的 docstring 会被当作工具描述喂给 LLM，所以描述写得好不好，直接决定 LLM 会不会调你的工具。

一个常见坑：参数 schema

我第一次写工具时，参数类型用了 Python 的 dict，结果模型死活不调用。后来才明白：工具参数必须是 JSON Schema 友好的类型（str/int/float/bool/List[...]），不能用任意 dict。用 Pydantic 模型定义参数最稳：

from pydantic import BaseModel, Field

class SearchInput(BaseModel):
    query: str = Field(description="搜索关键词")
    top_k: int = Field(default=5, description="返回结果数")

让模型自己决定调用时机

核心是把工具列表绑定到模型上，然后让模型在回复时输出 tool_calls：

llm_with_tools = llm.bind_tools([search, calculator])
response = llm_with_tools.invoke("今天南昌天气怎么样？")
# response.tool_calls 会包含模型想调用的工具

模型并不是每次都调工具——它会判断"这个要不要查"。这就是 Agent 与 RAG 的区别：RAG 是每次必检索，Agent 是按需检索。

小结

• 工具描述写清楚（docstring 是给 LLM 看的）
• 参数用 Pydantic，类型严格
• bind_tools 后让模型自主决策

下一篇准备学 LangGraph 的多智能体协作，到时候再分享。