LangChain 实战：工具调用与结构化输出应用指南

LangChain 实战：工具调用与结构化输出

工具调用（Tool Calling）和结构化输出是 LangChain 让 AI 从'聊天'走向'干活'的关键能力。前者允许模型调用外部函数或 API，后者则确保返回数据符合特定格式，便于程序处理。

工具调用（Tool Calling）

当 LLM 无法直接获取实时信息（如天气、数据库内容）时，我们可以借助工具完成查询。

创建工具的三种方式

1. 直接用 @tool 装饰函数 最简单，适合轻量级小工具。

   from langchain_core.tools import tool
   
   @tool
   

def add(a: int, b: int) -> int: """计算两个数的和""" return a + b

2. **用 `@tool` + 自定义参数结构（Pydantic）**
参数更清晰，能写详细说明。
```python
from pydantic import BaseModel, Field

class AddInput(BaseModel):
    a: int = Field(description="第一个数")
    b: int = Field(description="第二个数")

@tool(args_schema=AddInput)
def add(a: int, b: int) -> int:
    return a + b

3. 继承 BaseTool 写类 最灵活，适合复杂逻辑或异步操作。

   from langchain_core.tools import BaseTool
   
   class AddTool(BaseTool):
       name = "add_tool"
       description = "用于加法运算的工具"
   
       def _run(self, a: int, b: int) -> int:
           return a + b
   

本地自定义工具实战

定义好工具后，需要将其绑定到模型。这里以 DeepSeek 模型为例。

from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage, SystemMessage, ToolMessage

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([add])

调用流程解析：

1. 构建用户消息，包含系统提示和具体请求。
2. 模型决定是否调用工具。如果决定调用，响应中会包含 tool_calls。
3. 执行工具，并将结果包装为 ToolMessage 返回给模型。
4. 模型根据工具结果生成最终回答。

message = [
    SystemMessage(content="你是一个数学助手。当用户给你一个数字 n 时，使用 add 工具计算结果。"),
    HumanMessage(content="请计算 5 加 3 的结果。"),
]

ai_message = bound_llm.invoke(message)
message.append(ai_message)

# 如果有工具调用，执行它
if ai_message.tool_calls:
    for tool_call in ai_message.tool_calls:
        if tool_call["name"] == "add":
            result = add.invoke(tool_call["args"])
            message.append(ToolMessage(content=str(result), tool_call_id=tool_call["id"]))

final_msg = bound_llm.invoke(message).content
print(final_msg)

注意： ai_message 是经过框架整合的响应，必须使用 ToolMessage 包装执行结果并提供 tool_call_id，否则模型无法关联上下文。

第三方工具集成

集成第三方服务（如 Tavily 搜索）通常需要提供 API Key。

from langchain_tavily import TavilySearch

tavily_tool = TavilySearch(
    max_results=4,
    tavily_api_key="your-tavily-api-key"
)
bound_llm = llm.bind_tools([tavily_tool])

支持多轮调用，模型可以根据搜索结果自动判断是否需要进一步搜索。

结构化输出（Structured Output）

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。这对于数据存储、API 响应生成等场景非常有用。

Pydantic BaseModel（推荐）

这是最常用且类型安全的方式。

from pydantic import BaseModel, Field

class WeatherInfo(BaseModel):
    city: str = Field(description="城市名称")
    weather: str = Field(description="天气状况")
    temperature: str = Field(description="温度范围")

model = llm.with_structured_output(WeatherInfo)
result = model.invoke("上海现在的天气如何？")
print(f"城市：{result.city}")

优点： 类型安全，IDE 有完整提示，支持字段验证。

TypedDict

轻量级方案，返回纯字典。

from typing import TypedDict, Annotated

class WeatherDict(TypedDict):
    city: Annotated[str, "城市名称"]
    weather: Annotated[str, "天气状况"]

model = llm.with_structured_output(WeatherDict)
result = model.invoke("北京天气")
print(result["city"])

缺点： 类型检查较弱，不支持 Field() 的高级功能。

JSON Schema

标准化格式，跨语言通用，适合复杂嵌套结构。

import json

json_schema = {
    "type": "object",
    "properties": {
        "city": {"type": "string", "description": "城市名称"},
        "weather": {"type": "string", "description": "天气状况"}
    },
    "required": ["city", "weather"]
}

model = llm.with_structured_output(json_schema)
result = model.invoke("广州天气")
print(json.dumps(result, ensure_ascii=False, indent=2))

可选结构化输出（动态类型选择）

当需要根据输入自动选择返回不同类型的数据时，可以使用 Literal 类型配合嵌套模型。

from typing import Literal

class PersonInfo(BaseModel):
    name: str
    age: int

class CityInfo(BaseModel):
    city: str
    population: int

class Response(BaseModel):
    type: Literal["person", "city"] = Field(description="响应类型")
    person: PersonInfo | None = None
    city: CityInfo | None = None

model = llm.with_structured_output(Response)
result = model.invoke("介绍一下张三")
if result.type == "person":
    print(f"姓名：{result.person.name}")

三大实际应用场景

1. 信息提取器

将非结构化文本转化为结构化数据。例如从简历中提取姓名、教育经历和工作经历。

from pydantic import BaseModel, Field

class Education(BaseModel):
    school: str
    degree: str

class ResumeInfo(BaseModel):
    name: str
    education: list[Education]

model = llm.with_structured_output(ResumeInfo)
resume_text = "...简历内容..."
result = model.invoke(f"提取信息：\n{resume_text}")

2. 提示词增强

帮助 AI 更好理解用户意图。将模糊需求转换为明确的结构化指令。

class SearchIntent(BaseModel):
    intent_type: Literal["informational", "transactional"]
    keywords: list[str]

intent = model.invoke("我想买个性价比高的笔记本")
# 根据 intent.intent_type 执行不同策略

3. 与 Tool 联合使用

结构化输出 + 工具调用的完美组合。AI 先分析需求并输出结构化决策，然后调用相应工具执行。

# 步骤 1：绑定工具
bound_llm = llm.bind_tools([tavily_tool])
# 步骤 2：绑定结构化输出
structured_llm = bound_llm.with_structured_output(WeatherResult)
# 步骤 3：直接调用
result = structured_llm.invoke("北京天气")

总结

方式	优点	适用场景
Pydantic	类型安全、验证强	复杂数据结构
TypedDict	轻量、纯字典	简单键值对
JSON Schema	标准化、跨语言	跨系统对接
可选输出	灵活性高	多类型动态响应

选择合适的输出方式取决于你的业务需求。如果是内部 Python 项目，Pydantic 通常是首选；如果需要与其他语言交互，JSON Schema 更稳妥。