个人主页 for_ever_love__ 欢迎各位大佬莅临其他栏目: 大模型开发从0到1 其他栏目: iOS项目总结大全 其他栏目: 我想学python了 其他栏目: iOS UI 文章目录LangChain Tool Calling 工具调用让大模型真正动手一、先纠正一个常见误解二、定义一个工具2.1 描述写不好工具就用不对三、绑定工具并调用四、手动跑完整个循环五、多个工具 强制选择六、并行调用与容错6.1 一次要调多个工具6.2 工具报错了怎么办七、结构化输出工具调用的另一种用法八、常见坑九、小结LangChain Tool Calling 工具调用让大模型真正动手大模型会说话但不会做事——它不知道今天的天气查不了你的数据库也发不出一封邮件。Tool Calling 就是补上这块让模型决定调用哪个函数、传什么参数真正执行由你的代码来做。这篇讲清楚一次完整工具调用的数据流以及bind_tools背后到底发生了什么。一、先纠正一个常见误解大模型不会执行任何代码。很多人以为模型调用了天气 API其实不是。真实的流程是① 你告诉模型你有这些工具可用函数名 描述 参数 schema ② 模型收到用户问题判断要不要用工具 ③ 模型返回一个 JSON我想调用 get_weather参数是 city北京 ④ 【你的代码】拿到这个 JSON真正去调天气 API ⑤ 【你的代码】把结果塞回对话再问一次模型 ⑥ 模型基于结果生成最终回答模型只负责第 ③ 步——输出一个调用意图的 JSON。执行永远在你的进程里。理解这一点后面所有概念都会顺。二、定义一个工具最简单的方式是tool装饰器fromlangchain_core.toolsimporttooltooldefget_weather(city:str)-str:查询指定城市的当前天气。当你需要知道某地天气时调用它。# 真实项目里这里应该调天气 APIreturnf{city}晴26℃东南风 3 级print(get_weather.name)# get_weatherprint(get_weather.description)# 查询指定城市的当前天气……print(get_weather.args)# {city: {title: City, type: string}}三个细节函数名会被送给模型所以要起得见名知义docstring 就是工具描述模型靠它判断什么时候该用这个工具这行字的重要性远超你的想象类型注解决定参数 schema模型靠它知道该传什么。2.1 描述写不好工具就用不对这是新手最常踩的坑。对比一下# ❌ 太简略模型不知道什么时候该用tooldefquery(sql:str)-str:执行 SQL...# ✅ 说清楚用途、参数格式、边界tooldefquery_employee(sql:str)-str:查询员工信息数据库。 当用户询问员工人数、部门分布、入职时间、薪资等结构化数据时使用。 只支持 SELECT 语句不支持增删改。 表名employees(id, name, dept, hire_date, salary) sql 参数必须是合法的 SQLite 语法。 ...把工具描述当成给同事写的接口文档来写模型才能用对。三、绑定工具并调用fromlangchain_openaiimportChatOpenAI llmChatOpenAI(modelgpt-4o-mini)llm_with_toolsllm.bind_tools([get_weather])resultllm_with_tools.invoke(北京今天天气怎么样)print(result.tool_calls)bind_tools做的事把工具的 name/description/args schema 转成模型要求的格式每次调用时自动带上。之后llm_with_tools就成了一个会表达调用意图的模型。输出[{name:get_weather,args:{city:北京},id:call_abc123}]注意这时候工具还没被执行。模型只是说我想这么调。result.content是空的result.tool_calls里有内容。四、手动跑完整个循环把这个数据流完整写一遍理解会牢固很多fromlangchain_core.messagesimportHumanMessage,ToolMessage tools_by_name{t.name:tfortin[get_weather]}messages[HumanMessage(北京今天天气怎么样)]# ① 模型输出调用意图ai_msgllm_with_tools.invoke(messages)messages.append(ai_msg)print(模型想调:,ai_msg.tool_calls)# ② 你的代码真正执行forcallinai_msg.tool_calls:selectedtools_by_name[call[name]]outputselected.invoke(call[args])# 这里才是真的执行print(执行结果:,output)# ③ 把结果作为 ToolMessage 塞回对话messages.append(ToolMessage(contentstr(output),tool_call_idcall[id]))# ④ 再问一次拿到最终回答finalllm_with_tools.invoke(messages)print(final.content)# 北京今天是晴天气温 26℃东南风 3 级。关键点ToolMessage必须带tool_call_id跟tool_calls里的id对应模型才知道这个结果是哪个调用的返回多轮工具调用模型调完 A 又要调 B就是把这个循环跑多次直到tool_calls为空。五、多个工具 强制选择tooldefsearch_order(order_id:str)-str:根据订单号查询订单状态和物流信息。returnf订单{order_id}已发货预计明天送达tooldefsend_email(to:str,subject:str,body:str)-str:发送邮件给用户。需要收件人、主题和正文。returnf邮件已发送给{to}tools[get_weather,search_order,send_email]llm_with_toolsllm.bind_tools(tools)强制模型必须调工具不想让它直接回答时llm.bind_tools(tools,tool_choiceany)# 必须调随便哪个llm.bind_tools(tools,tool_choicesearch_order)# 必须调这个llm.bind_tools(tools,tool_choicenone)# 禁止调等于没绑六、并行调用与容错6.1 一次要调多个工具用户问北京和上海天气分别怎么样模型可能一次返回两个tool_calls。逐个执行即可上面的循环已经处理了。要并发的话可以importasyncioasyncdefrun_all(calls):returnawaitasyncio.gather(*[tools_by_name[c[name]].ainvoke(c[args])forcincalls])6.2 工具报错了怎么办forcallinai_msg.tool_calls:try:outputtools_by_name[call[name]].invoke(call[args])exceptExceptionase:# 关键把错误也告诉模型让它自己决定重试还是换个办法outputf工具调用失败{e}。请检查参数后重试或换一种方式回答。messages.append(ToolMessage(contentstr(output),tool_call_idcall[id]))不要让异常中断整个流程。把错误信息作为 ToolMessage 返回模型经常会自己修正参数重试一次——这比你在代码里写重试逻辑灵活得多。七、结构化输出工具调用的另一种用法如果你只是想让模型输出结构化 JSON而不是真要调用函数可以用一个空实现的工具frompydanticimportBaseModel,FieldclassPerson(BaseModel):一个人的基本信息name:strField(description姓名)age:intField(description年龄)city:strField(description所在城市)tool(args_schemaPerson)defextract_person(name:str,age:int,city:str)-str:从文本中提取人物信息。return# 不需要实现我们只要模型的参数llm_with_toolsllm.bind_tools([extract_person])resultllm_with_tools.invoke(张三今年 28 岁住在杭州)print(result.tool_calls[0][args])# {name: 张三, age: 28, city: 杭州}这就是with_structured_output的底层原理之一。不过真要做结构化输出直接用with_structured_output更简洁后面会单独讲。八、常见坑现象原因解法模型不调工具自己编答案描述不清 / 模型觉得不需要补全 docstring或tool_choiceany参数类型不对传了字符串 28schema 约束不强用 Pydantic 定义args_schema模型调用了不存在的工具工具列表和描述不一致检查tools_by_name是否覆盖全部拿到结果后模型还是瞎说没把 ToolMessage 塞回去检查tool_call_id是否对应工具执行了但报错中断没做异常捕获把错误转成 ToolMessage 返回中文参数变成乱码/被转义一般没问题检查日志打印方式直接读args字典别打印原始 JSON九、小结模型只输出调用意图的 JSON执行永远在你的代码里——这是理解一切的前提tool装饰器的三要素函数名、docstring决定什么时候被调用、类型注解决定参数bind_tools把 schema 绑到模型上返回的AIMessage.tool_calls是意图而非结果完整循环模型出意图 → 你执行 → 结果塞回 ToolMessage带 tool_call_id→ 再问模型tool_choice可强制调用any/ 指定名字 /none工具报错要转成 ToolMessage 返回给模型让它自己重试比硬编码重试更灵活。下一篇讲自定义 Tool 的几种写法和它们各自的适用场景。 
长河君 · 2026/10/16 6:30:08 · 阅读 1.2k LangChain Tool Calling 工具调用：让大模型真正‘动手
个人主页 for_ever_love__ 欢迎各位大佬莅临其他栏目: 大模型开发从0到1 其他栏目: iOS项目总结大全 其他栏目: 我想学python了 其他栏目: iOS UI 文章目录LangChain Tool Calling 工具调用让大模型真正动手一、先纠正一个常见误解二、定义一个工具2.1 描述写不好工具就用不对三、绑定工具并调用四、手动跑完整个循环五、多个工具 强制选择六、并行调用与容错6.1 一次要调多个工具6.2 工具报错了怎么办七、结构化输出工具调用的另一种用法八、常见坑九、小结LangChain Tool Calling 工具调用让大模型真正动手大模型会说话但不会做事——它不知道今天的天气查不了你的数据库也发不出一封邮件。Tool Calling 就是补上这块让模型决定调用哪个函数、传什么参数真正执行由你的代码来做。这篇讲清楚一次完整工具调用的数据流以及bind_tools背后到底发生了什么。一、先纠正一个常见误解大模型不会执行任何代码。很多人以为模型调用了天气 API其实不是。真实的流程是① 你告诉模型你有这些工具可用函数名 描述 参数 schema ② 模型收到用户问题判断要不要用工具 ③ 模型返回一个 JSON我想调用 get_weather参数是 city北京 ④ 【你的代码】拿到这个 JSON真正去调天气 API ⑤ 【你的代码】把结果塞回对话再问一次模型 ⑥ 模型基于结果生成最终回答模型只负责第 ③ 步——输出一个调用意图的 JSON。执行永远在你的进程里。理解这一点后面所有概念都会顺。二、定义一个工具最简单的方式是tool装饰器fromlangchain_core.toolsimporttooltooldefget_weather(city:str)-str:查询指定城市的当前天气。当你需要知道某地天气时调用它。# 真实项目里这里应该调天气 APIreturnf{city}晴26℃东南风 3 级print(get_weather.name)# get_weatherprint(get_weather.description)# 查询指定城市的当前天气……print(get_weather.args)# {city: {title: City, type: string}}三个细节函数名会被送给模型所以要起得见名知义docstring 就是工具描述模型靠它判断什么时候该用这个工具这行字的重要性远超你的想象类型注解决定参数 schema模型靠它知道该传什么。2.1 描述写不好工具就用不对这是新手最常踩的坑。对比一下# ❌ 太简略模型不知道什么时候该用tooldefquery(sql:str)-str:执行 SQL...# ✅ 说清楚用途、参数格式、边界tooldefquery_employee(sql:str)-str:查询员工信息数据库。 当用户询问员工人数、部门分布、入职时间、薪资等结构化数据时使用。 只支持 SELECT 语句不支持增删改。 表名employees(id, name, dept, hire_date, salary) sql 参数必须是合法的 SQLite 语法。 ...把工具描述当成给同事写的接口文档来写模型才能用对。三、绑定工具并调用fromlangchain_openaiimportChatOpenAI llmChatOpenAI(modelgpt-4o-mini)llm_with_toolsllm.bind_tools([get_weather])resultllm_with_tools.invoke(北京今天天气怎么样)print(result.tool_calls)bind_tools做的事把工具的 name/description/args schema 转成模型要求的格式每次调用时自动带上。之后llm_with_tools就成了一个会表达调用意图的模型。输出[{name:get_weather,args:{city:北京},id:call_abc123}]注意这时候工具还没被执行。模型只是说我想这么调。result.content是空的result.tool_calls里有内容。四、手动跑完整个循环把这个数据流完整写一遍理解会牢固很多fromlangchain_core.messagesimportHumanMessage,ToolMessage tools_by_name{t.name:tfortin[get_weather]}messages[HumanMessage(北京今天天气怎么样)]# ① 模型输出调用意图ai_msgllm_with_tools.invoke(messages)messages.append(ai_msg)print(模型想调:,ai_msg.tool_calls)# ② 你的代码真正执行forcallinai_msg.tool_calls:selectedtools_by_name[call[name]]outputselected.invoke(call[args])# 这里才是真的执行print(执行结果:,output)# ③ 把结果作为 ToolMessage 塞回对话messages.append(ToolMessage(contentstr(output),tool_call_idcall[id]))# ④ 再问一次拿到最终回答finalllm_with_tools.invoke(messages)print(final.content)# 北京今天是晴天气温 26℃东南风 3 级。关键点ToolMessage必须带tool_call_id跟tool_calls里的id对应模型才知道这个结果是哪个调用的返回多轮工具调用模型调完 A 又要调 B就是把这个循环跑多次直到tool_calls为空。五、多个工具 强制选择tooldefsearch_order(order_id:str)-str:根据订单号查询订单状态和物流信息。returnf订单{order_id}已发货预计明天送达tooldefsend_email(to:str,subject:str,body:str)-str:发送邮件给用户。需要收件人、主题和正文。returnf邮件已发送给{to}tools[get_weather,search_order,send_email]llm_with_toolsllm.bind_tools(tools)强制模型必须调工具不想让它直接回答时llm.bind_tools(tools,tool_choiceany)# 必须调随便哪个llm.bind_tools(tools,tool_choicesearch_order)# 必须调这个llm.bind_tools(tools,tool_choicenone)# 禁止调等于没绑六、并行调用与容错6.1 一次要调多个工具用户问北京和上海天气分别怎么样模型可能一次返回两个tool_calls。逐个执行即可上面的循环已经处理了。要并发的话可以importasyncioasyncdefrun_all(calls):returnawaitasyncio.gather(*[tools_by_name[c[name]].ainvoke(c[args])forcincalls])6.2 工具报错了怎么办forcallinai_msg.tool_calls:try:outputtools_by_name[call[name]].invoke(call[args])exceptExceptionase:# 关键把错误也告诉模型让它自己决定重试还是换个办法outputf工具调用失败{e}。请检查参数后重试或换一种方式回答。messages.append(ToolMessage(contentstr(output),tool_call_idcall[id]))不要让异常中断整个流程。把错误信息作为 ToolMessage 返回模型经常会自己修正参数重试一次——这比你在代码里写重试逻辑灵活得多。七、结构化输出工具调用的另一种用法如果你只是想让模型输出结构化 JSON而不是真要调用函数可以用一个空实现的工具frompydanticimportBaseModel,FieldclassPerson(BaseModel):一个人的基本信息name:strField(description姓名)age:intField(description年龄)city:strField(description所在城市)tool(args_schemaPerson)defextract_person(name:str,age:int,city:str)-str:从文本中提取人物信息。return# 不需要实现我们只要模型的参数llm_with_toolsllm.bind_tools([extract_person])resultllm_with_tools.invoke(张三今年 28 岁住在杭州)print(result.tool_calls[0][args])# {name: 张三, age: 28, city: 杭州}这就是with_structured_output的底层原理之一。不过真要做结构化输出直接用with_structured_output更简洁后面会单独讲。八、常见坑现象原因解法模型不调工具自己编答案描述不清 / 模型觉得不需要补全 docstring或tool_choiceany参数类型不对传了字符串 28schema 约束不强用 Pydantic 定义args_schema模型调用了不存在的工具工具列表和描述不一致检查tools_by_name是否覆盖全部拿到结果后模型还是瞎说没把 ToolMessage 塞回去检查tool_call_id是否对应工具执行了但报错中断没做异常捕获把错误转成 ToolMessage 返回中文参数变成乱码/被转义一般没问题检查日志打印方式直接读args字典别打印原始 JSON九、小结模型只输出调用意图的 JSON执行永远在你的代码里——这是理解一切的前提tool装饰器的三要素函数名、docstring决定什么时候被调用、类型注解决定参数bind_tools把 schema 绑到模型上返回的AIMessage.tool_calls是意图而非结果完整循环模型出意图 → 你执行 → 结果塞回 ToolMessage带 tool_call_id→ 再问模型tool_choice可强制调用any/ 指定名字 /none工具报错要转成 ToolMessage 返回给模型让它自己重试比硬编码重试更灵活。下一篇讲自定义 Tool 的几种写法和它们各自的适用场景。