LangChain Tools

LangChain Tools

一、定义

  • 内容:
    • LangChain Tools 是允许大语言模型与外部世界(如 API、数据库、文件系统、网络浏览器等)进行交互的标准化接口。
  • 核心三要素:
    • 名称:工具的唯一标识;
    • 描述:这是写给 LLM 看的说明书,LLM 完全依赖这段描述来决定何时以及为什么要调用这个工具;
    • 参数模式:定义了调用该工具需要传入哪些参数及其数据类型(通常借助 Pydantic 来定义)。

二、特点

  • 接口标准化:无论是调用维基百科、查询 SQL 数据库还是发送邮件,在 LangChain 中都被封装成了统一的 BaseTool 类,LLM 可以用一套逻辑调用千变万化的工具;
  • 丰富的预置生态:LangChain 原生自带了数十种工具(如 TavilySearchResults 用于搜索,WikipediaQueryRun 用于查百科,PythonREPL 用于执行代码等);
  • 高度可定制性:开发者可以通过简单的 @tool 装饰器,将任何 Python 函数瞬间转变为 LLM 可以调用的工具;
  • 支持多参数和复杂结构:现代工具支持传递复杂的 JSON 结构参数,而不仅仅是单一的字符串。

三、调用

将工具“绑定(Bind)”到大模型上,模型会根据用户的输入,自动决定是否需要调用工具,以及传入什么参数。

from langchain_openai import ChatOpenAI

#定义工具
@tool
def get_weather(location: str):
    """用于查询天气。传入城市名称即可。"""  #描述
    # ... 调用实时天气API的代码 ...
    return f"{location}今天是晴天,气温25度"

# 初始化大模型
llm = ChatOpenAI(model="gpt-4o")

# 将工具绑定给大模型
llm_with_tools = llm.bind_tools([get_weather])

# 用户提问
response = llm_with_tools.invoke("北京现在天气怎么样?")

# 模型不会直接回答,而是返回一个“工具调用请求(tool_calls)”
print(response.tool_calls)
# 输出:[{'name': 'get_weather', 'args': {'location': '北京'}, 'id': 'call_abc123'}]

四、实际运用

  • 场景(售后客服机器人):

    用户会来咨询订单状态,或者要求退款;为了防止造成公司资金损失,业务上有一个严格的规定:

    1. 未发货的订单,客服机器人可以直接帮忙一键退款。
    2. 已发货的订单,绝对不能直接退款,必须让用户自己去 App 页面点击“申请退货”。
import os
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.agents import create_tool_calling_agent, AgentExecutor

# ==========================================
# 第一步:定义工具 (Tools) 
# 体现:定义、高度可定制性、Description的极致运用
# ==========================================

# 模拟的内部数据库
FAKE_DATABASE = {
    "ORD-1001": {"status": "未发货", "item": "机械键盘"},
    "ORD-1002": {"status": "已发货", "item": "苹果手机"}
}

@tool
def query_order_status(order_id: str) -> str:
    """
    【核心工具】用于查询指定订单号的当前状态。
    
    使用说明:
    1. 必须传入标准的订单号。正确的订单号格式必须以 "ORD-" 开头(例如 ORD-1001)。
    2. 如果用户提供的订单号不规范,请先询问用户正确的订单号,不要调用此工具。
    """
    print(f"\n[后台日志] 🔧 调用工具 query_order_status,参数: {order_id}")
    order = FAKE_DATABASE.get(order_id)
    if order:
        return f"订单号 {order_id} 包含商品: {order['item']},当前状态为: {order['status']}"
    return f"未查询到订单号 {order_id} 的信息,请检查是否输入正确。"

@tool
def apply_refund(order_id: str, reason: str) -> str:
    """
    【高危工具】用于为用户发起退款申请。
    
    ⚠️极其重要的业务规则(务必遵守):
    1. 在调用此工具前,【必须】先调用 query_order_status 工具确认订单状态!
    2. 只有当订单状态为【未发货】时,才能调用此工具发起退款!
    3. 如果订单状态为【已发货】,绝对禁止调用此工具!你必须向用户道歉,并告知:“您的订单已发货,无法直接退款,请在App订单页面点击【申请退货】”。
    """
    print(f"\n[后台日志] ⚠️ 调用工具 apply_refund,参数: {order_id}, 理由: {reason}")
    # 再次做代码层面的兜底校验(真实环境必备)
    order = FAKE_DATABASE.get(order_id)
    if not order or order["status"] != "未发货":
        return "退款失败:该订单状态不支持直接退款。"
    
    FAKE_DATABASE[order_id]["status"] = "已退款"
    return "退款成功!资金将在1-3个工作日内原路返回。"

# ==========================================
# 第二步:初始化 LLM 并绑定工具 (Agent 核心逻辑)
# 体现:LLM 自动调用、接口标准化
# ==========================================

# 1. 初始化大模型 (建议设置 temperature=0 以保证执行业务逻辑的稳定性)
# 注意:你需要设置环境变量 OPENAI_API_KEY
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 2. 将工具放入列表
tools = [query_order_status, apply_refund]

# 3. 设计 Agent 的 System Prompt (系统提示词)
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个名叫'小易'的专业电商售后客服。你需要使用提供的工具来帮助用户解决问题。态度要亲切、专业。"),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"), # 用于存放 Agent 思考和工具执行的中间过程
])

# 4. 创建 Tool Calling Agent 并包装为 Executor
agent = create_tool_calling_agent(llm, tools, prompt)
# AgentExecutor 负责实际执行 "思考 -> 调工具 -> 观察 -> 再思考" 的循环
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=False) 


# ==========================================
# 第三步:实际运用测试 (模拟用户对话)
# ==========================================

def run_test_case(test_name: str, user_input: str):
    print(f"\n{'='*20} {test_name} {'='*20}")
    print(f"👨 用户: {user_input}")
    response = agent_executor.invoke({"input": user_input})
    print(f"🤖 小易: {response['output']}")

if __name__ == "__main__":
    # 测试用例 1:简单的状态查询(格式正确)
    run_test_case("测试 1 - 正常查询", "帮我看看 ORD-1002 现在的状态。")

    # 测试用例 2:符合退款条件(未发货订单)
    run_test_case("测试 2 - 合规退款", "我不想要 ORD-1001 了,它是未发货对吧?能帮我退款吗,理由是买错了。")

    # 测试用例 3:触发拦截规则(已发货订单尝试退款)
    # 这里将完美展现 Description 约束 LLM 行为的威力!
    run_test_case("测试 3 - 违规退款拦截", "我不想要 ORD-1002 了,马上给我退款!")
posted @ 2026-03-13 15:54  Neur0toxin  阅读(56)  评论(0)    收藏  举报