工具¶

许多 AI 应用程序通过自然语言与用户交互。然而，某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）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。这些可以传递给兼容的聊天模型，让模型决定是否调用某个工具以及使用什么参数。

工具调用¶

Diagram of a tool call by a model

工具调用通常是有条件的。根据用户输入和可用工具，模型可能会选择发出工具调用请求。此请求在 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("What is 2 multiplied by 3?")
# -> 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，模型将仅返回一条自然语言消息。

llm_with_tools.invoke("Hello world!")  # -> AIMessage(content="Hello!")

重要的是，模型不执行工具——它只生成一个请求。一个独立的执行器（如运行时或智能体）负责处理工具调用并返回结果。

有关更多详细信息，请参阅工具调用指南。

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

浏览集成目录以查看可用的工具。

常见类别

您可以使用 @tool 装饰器或纯 Python 函数定义自定义工具。例如

^{API 参考：tool}

from langchain_core.tools import tool

@tool
def multiply(a: int, b: int) -> int:
    """Multiply two numbers."""
    return a * b

有关更多详细信息，请参阅工具调用指南。

虽然模型决定何时调用工具，但工具调用的执行必须由运行时组件处理。

LangGraph 为此提供了预构建的组件