LangChain 工具调用功能使 AI 模型能执行外部任务。文章详解了三种工具创建方式（装饰器、Pydantic 结构、BaseTool 类）及本地与第三方工具集成流程。结构化输出部分对比了 Pydantic、TypedDict 和 JSON Schema 三种方案，并展示了在信息提取、意图理解和工具组合场景下的实际应用。通过代码示例演示了如何绑定工具、解析响应及实现动态类型选择，为构建智能 Agent 提供完整技术方案。
工具调用是 LangChain 的核心功能之一，允许 AI 模型调用外部函数或 API 来完成特定任务。
例如，当我们希望获取当前天气情况时，由于 LLM 无法获取实时信息，此时我们就可以借助工具，通过外部服务进行搜索完成查询。
再例如，当我们希望获取数据库表中的数据时，由于 LLM 无法直接获取表数据，此时我们就可以借助工具，通过与数据库交互完成查询。
@tool 装饰函数最简单，适合小工具
@tool
def add(a: int, b: int) -> int:
return a + b
@tool + 自定义参数结构（Pydantic）参数更清晰，能写详细说明
@tool(args_schema=AddInput)
def add(a: int, b: int) -> int:
return a + b
BaseTool 写类最灵活，适合复杂或异步操作（比如调 API）
class AddTool(BaseTool):
def _run(self, a: int, b: int):
return a + b
示例文件： [email protected]
使用 @tool 装饰器定义一个本地工具：
from langchain_core.tools import tool
@tool
def sum_to_n(n: int) -> int:
"""计算从 0 累加到 n 的结果"""
sum_val = 0
for i in range(n + 1):
sum_val += i
return sum_val
关键点：
@tool 装饰器标记函数n: int 和 -> int）from langchain.chat_models import init_chat_model
llm = init_chat_model(
model="deepseek-chat",
model_provider="deepseek",
api_key="your-api-key",
temperature=0.7,
max_tokens=8192,
)
# 绑定工具
bound_llm = llm.bind_tools([sum_to_n])
关键点：
bind_tools() 方法将工具绑定到模型bind_tools([tool1, tool2, tool3])from langchain_core.messages import HumanMessage, SystemMessage, ToolMessage
# 1. 构建用户消息
message = [
SystemMessage(content="你是一个数学助手。当用户给你一个数字 n 时，使用 sum_to_n 工具计算从 0 累加到 n 的结果。"),
HumanMessage(content="10"),
]
# 2. 模型决定是否调用工具
ai_message = bound_llm.invoke(message)
message.append(ai_message)
# 3. 执行工具调用
for tool_call in ai_message.tool_calls:
if tool_call["name"] == "sum_to_n":
result = sum_to_n.invoke(tool_call["args"])
message.append(
ToolMessage(
content=str(result),
tool_call_id=tool_call["id"]
)
)
# 4. 获取最终回复
final_msg = bound_llm.invoke(message).content
print(final_msg)
工作流程图：
用户输入 → AI 分析 → 决定调用工具 → 执行工具 → 返回结果 → AI 生成最终回答
当模型决定调用工具时，ai_message 包含以下关键信息：
# ai_message 结构（经过 LangChain 框架整合）
{
'content': '我来计算从 0 累加到 10 的结果。',
'tool_calls': [
{
'name': 'sum_to_n', # 工具名称
'args': {'n': 10}, # 工具参数
'id': 'call_00_xxx', # 调用 ID
'type': 'tool_call'
}
],
'response_metadata': {
'token_usage': {...},
'model_name': 'deepseek-chat',
'finish_reason': 'tool_calls' # 表示模型决定调用工具
}
}
重要提示：
ai_message 是经过 LangChain 框架整合后的响应，不是模型的原始输出tool_calls 列表包含模型决定调用的所有工具ToolMessage 包装工具执行结果，并提供 tool_call_id示例文件： tavily_tool.py
from langchain_tavily import TavilySearch
# 创建 Tavily 搜索工具
tavily_tool = TavilySearch(
max_results=4,
tavily_api_key="your-tavily-api-key"
)
# 绑定到模型
bound_llm = llm_tavily.bind_tools([tavily_tool])
关键点：
tavily_api_key 而不是 api_key）有时模型可能需要多次调用工具才能得到满意的结果：
message = [
SystemMessage(content="你是一个天气助手。使用 tavily_search 工具搜索天气情况。"),
HumanMessage(content="2026 年 3 月 2 日北京天气情况"),
]
# 工具调用循环（最多 3 轮）
max_rounds = 3
for round_num in range(1, max_rounds + 1):
# 调用模型
ai_message = bound_llm.invoke(message)
message.append(ai_message)
# 如果没有工具调用，说明得到最终答案了
if not ai_message.tool_calls:
print(ai_message.content)
break
# 执行工具调用
for tool_call in ai_message.tool_calls:
result = tavily_tool.invoke(tool_call["args"])
tool_message = ToolMessage(
content=str(result),
tool_call_id=tool_call["id"]
)
message.append(tool_message)
工作流程：
第 1 轮：用户提问 → AI 调用搜索工具 → 获取搜索结果
第 2 轮：AI 分析结果 → 生成最终答案（不再调用工具）
根据搜索结果，2026 年 3 月 2 日北京天气情况：
白天天气：
- 天气状况：阴天，大部分地区有小雪或雨夹雪
- 风向风力：北风转南风 2-3 级
- 最高气温：5-6℃
夜间天气：
- 天气状况：阴天，山区有小雪
- 风向风力：南风转北风 1-2 级
- 最低气温：-1℃到 0℃
特别预警：
北京市气象台发布大雾黄色预警信号，夜间至次日上午能见度小于 1000 米。
结构化输出允许模型返回符合特定格式的数据，而不是纯文本。这对于数据提取、API 响应生成等场景非常有用。
例如，可能希望将模型输出存储在数据库中，并确保输出符合数据库模式。这种需求激发了结构化输出的概念，其中可以指示模型使用特定的输出结构进行响应。
示例文件： struct_output.py
from pydantic import BaseModel, Field
class TestOutput(BaseModel):
"""城市信息的 Pydantic 模型"""
test: str = Field(description="这个城市现在的详细天气情况，包括天气状况、温度、风力等")
test2: str = Field(description="城市名称")
test3: str = Field(description="在这个城市出生的一个著名名人，包括简短介绍")
关键点：
BaseModelField() 添加字段描述，帮助模型理解每个字段的含义from langchain_deepseek import ChatDeepSeek
llm_deepseek = ChatDeepSeek(
model_name="deepseek-chat",
api_key="your-api-key",
base_url="https://api.deepseek.cn/v1",
)
# 绑定结构化输出
struct_output_model = llm_deepseek.with_structured_output(TestOutput)
# 调用模型
result = struct_output_model.invoke("上海")
# 访问结构化数据
print(f"天气：{result.test}")
print(f"城市：{result.test2}")
print(f"名人：{result.test3}")
# 返回的是 Pydantic 对象
test='上海现在天气晴朗，温度 25°C，东南风 3-4 级，湿度 65%，空气质量良好'
test2='上海'
test3='姚明，中国著名篮球运动员，1980 年出生于上海，曾效力于 NBA 休斯顿火箭队'
优点：
Field() 添加详细描述缺点：
from typing import TypedDict, Annotated
class TestOutputDict(TypedDict):
"""城市信息的字典类型"""
weather: Annotated[str, "这个城市现在的详细天气情况，包括天气状况、温度、风力等"]
city_name: Annotated[str, "城市名称"]
famous_person: Annotated[str, "在这个城市出生的一个著名名人，包括简短介绍"]
population: Annotated[int, "城市人口数量（万人）"]
关键点：
Field()Annotated[类型，"描述"] 添加字段描述# 绑定结构化输出
struct_output_model_dict = llm_deepseek.with_structured_output(TestOutputDict)
# 调用模型
result_dict = struct_output_model_dict.invoke("上海")
# 访问字典数据
print(f"天气：{result_dict['weather']}")
print(f"城市：{result_dict['city_name']}")
print(f"人口：{result_dict['population']} 万人")
# 返回的是纯字典
{'city_name': '上海', 'weather': '上海现在天气晴朗，温度 18-25°C，东南风 3-4 级', 'population': 2487, 'famous_person': '姚明，中国著名篮球运动员，前 NBA 休斯顿火箭队球员'}
优点：
Annotated 添加描述缺点：
Field() 的高级功能import json
json_schema = {
"title": "CityInfo",
"description": "城市信息的 JSON 格式",
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名称"},
"weather": {"type": "string", "description": "当前天气情况，包括温度、天气状况、风力"},
"attractions": {
"type": "array",
"description": "城市的著名景点列表",
"items": {"type": "string"}
},
"gdp": {"type": "number", "description": "城市 GDP（亿元）"}
},
"required": ["city", "weather", "attractions", "gdp"]
}
关键点：
required 字段指定必填项# 绑定结构化输出
struct_output_model_json = llm_deepseek.with_structured_output(json_schema)
# 调用模型
result_json = struct_output_model_json.invoke("北京")
# 格式化输出
print(json.dumps(result_json, ensure_ascii=False, indent=2))
{"city":"北京","weather":"晴，温度 15°C，风力 2 级","attractions":["故宫","天安门广场","长城","颐和园","天坛","圆明园"],"gdp":40269.6}
优点：
缺点：
示例文件： choice_struct.py
当你需要模型根据用户输入自动选择返回不同类型的结构化数据时，可以使用可选结构化输出。这在以下场景非常有用：
使用 Literal 类型和嵌套的 Pydantic 模型：
from pydantic import BaseModel, Field
from typing import Literal
# 定义不同的数据结构
class PersonInfo(BaseModel):
"""人物信息"""
name: str = Field(description="姓名")
age: int = Field(description="年龄")
occupation: str = Field(description="职业")
class CityInfo(BaseModel):
"""城市信息"""
city: str = Field(description="城市名称")
population: int = Field(description="人口（万人）")
class NormalAnswer(BaseModel):
"""普通回答"""
answer: str = Field(description="根据用户的提问正常答复的内容")
# 定义包装类，让模型选择返回类型
class Response(BaseModel):
"""响应结构，模型根据问题选择返回人物、城市信息或普通回答"""
type: Literal["person", "city", "normal"] = Field(
description="响应类型：person 表示人物，city 表示城市，normal 表示普通回答"
)
person: PersonInfo | None = Field(default=None, description="人物信息，仅当 type 为 person 时填充")
city: CityInfo | None = Field(default=None, description="城市信息，仅当 type 为 city 时填充")
normal: NormalAnswer | None = Field(default=None, description="普通回答，仅当 type 为 normal 时填充")
from langchain_deepseek import ChatDeepSeek
llm = ChatDeepSeek(
model_name="deepseek-chat",
api_key="your-api-key",
base_url="https://api.deepseek.cn/v1",
)
# 绑定结构化输出
model = llm.with_structured_output(Response)
# 测试 1：询问城市
result1 = model.invoke("上海")
if result1.type == "city":
print(f"城市：{result1.city.city}")
print(f"人口：{result1.city.population}万")
# 测试 2：普通问题
result2 = model.invoke("你是哪个模型")
if result2.type == "normal":
print(f"回答：{result2.normal.answer}")
测试 1（城市）：
类型：city
城市：上海
人口：2489 万
测试 2（普通问题）：
类型：normal
回答：我是 DeepSeek 最新版本的 AI 助手，由深度求索公司开发...
Literal 类型：限定模型只能选择预定义的类型值| None 和 default=None 表示字段可选type 字段清楚知道返回的数据类型"product", "order" 等）结构化输出最直接的应用就是信息提取：将杂乱无章的文本数据转换为规范的结构化数据，便于存储、查询和分析。
from pydantic import BaseModel, Field
class Education(BaseModel):
"""教育经历"""
school: str = Field(description="学校名称")
degree: str = Field(description="学位：本科、硕士、博士等")
major: str = Field(description="专业")
start_year: int = Field(description="入学年份")
end_year: int = Field(description="毕业年份")
class WorkExperience(BaseModel):
"""工作经历"""
company: str = Field(description="公司名称")
position: str = Field(description="职位")
start_date: str = Field(description="入职日期")
end_date: str = Field(description="离职日期，如果是当前工作则为'至今'")
responsibilities: list[str] = Field(description="主要职责列表")
class ResumeInfo(BaseModel):
"""简历信息"""
name: str = Field(description="姓名")
phone: str = Field(description="电话")
email: str = Field(description="邮箱")
education: list[Education] = Field(description="教育经历列表")
work_experience: list[WorkExperience] = Field(description="工作经历列表")
skills: list[str] = Field(description="技能列表")
# 使用示例
model = llm.with_structured_output(ResumeInfo)
resume_text = """
张三，电话：138****1234，邮箱：[email protected]
教育背景：
- 2015-2019 清华大学 计算机科学与技术 本科
- 2019-2021 清华大学 人工智能 硕士
工作经历：
- 2021.07-2023.06 字节跳动 算法工程师 负责推荐系统开发，优化点击率提升 20%
- 2023.07-至今 阿里巴巴 高级算法工程师 负责大模型应用开发
技能：Python, PyTorch, LangChain, 机器学习
"""
result = model.invoke(f"请从以下简历中提取信息：\n{resume_text}")
# 提取后的结构化数据可以直接存入数据库
print(f"姓名：{result.name}")
print(f"联系方式：{result.phone} / {result.email}")
print(f"教育经历：{len(result.education)} 条")
print(f"工作经历：{len(result.work_experience)} 条")
print(f"技能：{', '.join(result.skills)}")
实际输出：
姓名：张三
联系方式：138****1234 / zhangsan@example.com
教育经历：2 条
工作经历：2 条
技能：Python, PyTorch, LangChain, 机器学习
关键优势：
通过结构化输出，可以让 AI 先理解、再执行。将用户的模糊需求转换为明确的结构化指令，确保 AI 准确理解用户意图。
from pydantic import BaseModel, Field
from typing import Literal
class SearchIntent(BaseModel):
"""搜索意图分析"""
intent_type: Literal["informational", "transactional", "navigational", "comparison"] = Field(
description="意图类型：informational(查询信息)、transactional(购买交易)、navigational(导航访问)、comparison(对比比较)"
)
keywords: list[str] = Field(description="提取的关键词列表")
filters: dict[str, str] = Field(description="筛选条件，如价格范围、品牌、地区等")
urgency: Literal["low", "medium", "high"] = Field(description="紧急程度")
clarification_needed: bool = Field(description="是否需要进一步澄清")
suggested_questions: list[str] = Field(description="建议的澄清问题列表")
# 使用示例
model = llm.with_structured_output(SearchIntent)
user_query = "我想买个性价比高的笔记本电脑，预算 5000 左右，主要用来写代码"
# 第一步：理解用户意图
intent = model.invoke(f"分析以下用户需求：{user_query}")
print(f"意图类型：{intent.intent_type}")
print(f"关键词：{', '.join(intent.keywords)}")
print(f"筛选条件：{intent.filters}")
print(f"紧急程度：{intent.urgency}")
# 第二步：根据理解的意图执行精准搜索
if intent.intent_type == "transactional":
# 执行购买导向的搜索
search_params = {
"category": "笔记本电脑",
"price_range": intent.filters.get("price_range", ""),
"keywords": intent.keywords,
"sort_by": "price_performance_ratio"
}
print(f"\n执行搜索：{search_params}")
elif intent.clarification_needed:
# 需要进一步澄清
print(f"\n需要澄清的问题:")
for q in intent.suggested_questions:
print(f" - {q}")
实际输出：
意图类型：transactional
关键词：笔记本电脑，性价比，写代码，编程
筛选条件：{'price_range': '4000-6000', 'usage': '编程开发', 'priority': '性价比'}
紧急程度：medium
执行搜索：{
'category': '笔记本电脑',
'price_range': '4000-6000',
'keywords': ['笔记本电脑', '性价比', '写代码', '编程'],
'sort_by': 'price_performance_ratio'
}
关键优势：
结构化输出与工具调用结合，可以实现智能决策 + 精准执行：AI 先分析需求并输出结构化决策，然后调用相应工具执行。
from langchain.chat_models import init_chat_model
from langchain_tavily import TavilySearch
from pydantic import BaseModel, Field
# 初始化模型
llm_tavily = init_chat_model(
model="deepseek-chat",
model_provider="deepseek",
api_key="your-api-key",
temperature=0.7,
max_tokens=8192,
)
# 创建搜索工具
tavily_tool = TavilySearch(
max_results=4,
tavily_api_key="your-tavily-api-key"
)
# 定义结构化输出格式
class WeatherResult(BaseModel):
"""天气查询结果"""
location: str = Field(description="地点")
date: str = Field(description="日期")
temperature: str = Field(description="温度范围")
weather: str = Field(description="天气状况")
wind: str = Field(description="风力风向")
warning: str = Field(description="预警信息，如果没有则为'无'")
# 步骤 1：先绑定工具
bound_llm = llm_tavily.bind_tools([tavily_tool])
# 步骤 2：再绑定结构化输出
structured_llm = bound_llm.with_structured_output(WeatherResult)
# 步骤 3：直接调用，自动完成工具调用和结构化输出
result = structured_llm.invoke("2026 年 3 月 2 日北京天气情况")
# 输出结构化结果
print(f"地点：{result.location}")
print(f"日期：{result.date}")
print(f"温度：{result.temperature}")
print(f"天气：{result.weather}")
print(f"风力：{result.wind}")
print(f"预警：{result.warning}")
实际输出：
地点：北京
日期：2026 年 3 月 2 日
温度：-1℃到 6℃
天气：阴天，有小雪或雨夹雪
风力：北风转南风 2-3 级，夜间南风转北风 1-2 级
预警：大雾黄色预警，能见度小于 1000 米
关键优势：
| 场景 | 核心价值 | 主要用途 | 典型应用 | 技术特点 |
|---|---|---|---|---|
| 信息提取器 | 非结构化 → 结构化 | 数据提取与转换 | 简历解析、合同分析、发票识别 | 单向转换、数据标准化 |
| 提示词增强 | 模糊意图 → 明确指令 | 意图理解与澄清 | 搜索优化、任务分解、参数提取 | 双向交互、意图明确化 |
| Tool 联合使用 | 智能决策 + 精准执行 | 复杂任务自动化 | 智能助手、自动化工作流、数据分析 | 多步骤、工具协作 |
choice_struct.py 模式）| 方式 | 优点 | 缺点 | 适用场景 | 返回类型 |
|---|---|---|---|---|
| Pydantic BaseModel | 类型安全、字段验证、IDE 支持好、可使用 Field | 需要定义类 | 复杂数据结构、需要验证 | Pydantic 对象 |
| TypedDict | 轻量级、返回纯字典、使用 Annotated 添加描述 | 类型检查较弱、不支持 Field | 简单字典结构 | dict |
| JSON Schema | 标准化、跨语言、灵活、支持复杂嵌套 | 定义繁琐、无 IDE 提示 | 跨系统对接、复杂嵌套 | dict |
| 可选结构化输出 | 灵活性高、类型明确、易扩展、代码简洁 | 需要定义包装类 | 多类型动态响应 | Pydantic 对象 |
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online