🎯 课程主题

系统讲解 LangChain 中 Tool 的两种调用方式及完整的工具调用消息流转流程，阐明大模型与智能体的核心区别。

📝 核心知识点

1. 工具（Tool）的概念与定位

  • 概念说明：工具是明确定义了输入和输出的可调用函数，又称函数调用（Function Calling）。
  • 关键细节：
    • 工具是智能体要素中最重要的部分。大模型相当于"大脑"，工具相当于"眼睛和四肢"。
    • 有了工具，大模型才能从"纸上谈兵"走向与外部世界交互（搜索网页、操作数据库、发送邮件等）。
    • 大模型 vs 智能体的核心区别：大模型只能分析出需要调用哪个工具，但不能主动执行；智能体既能分析又能主动执行工具调用。

2. 工具的两种调用方式

方式一：直接调用（直接 invoke）

  • 概念说明：直接对工具对象调用 invoke() 方法。
  • 关键细节：传入字典格式参数，与普通函数调用类似，但工具对象有 invoke 接口。
# 定义工具（细节后续讲解）
def get_weather(city: str) -> str:
    """获取城市天气"""
    return f"{city}天气晴朗"

# 直接调用工具
result = get_weather.invoke({"city": "北京"})

方式二：基于模型调用（bind_tools + invoke）

  • 概念说明：将工具绑定到模型，模型根据用户输入判断是否需要调用工具。
  • 关键细节：
    • 通过 model.bind_tools([tool_list]) 将工具绑定到模型。
    • 返回的 response.tool_calls 列表非空时，表示模型识别出了要调用的工具。
    • 模型只负责识别工具，不负责执行。
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage

model = ChatOpenAI(model="gpt-4o")

# 定义工具
def get_weather(city: str) -> str:
    """获取指定城市的天气"""
    return f"{city}天气晴朗"

# 绑定工具
model_with_tools = model.bind_tools([get_weather])

# 模型分析用户需求
response = model_with_tools.invoke("北京今天天气怎么样？")

# 检查是否需要调用工具
if response.tool_calls:
    tool_call = response.tool_calls[0]
    print(f"需要调用的工具: {tool_call['name']}")
    print(f"参数: {tool_call['args']}")
else:
    print(response.content)

3. 工具调用的完整流程

用户问题："北京今天天气如何？"
    │
    ▼
┌─────────────────────────────────────┐
│ 1. 用户问题封装为 HumanMessage       │
│    加入消息列表                       │
└─────────────────────────────────────┘
    │
    ▼
┌─────────────────────────────────────┐
│ 2. 模型分析（已绑定 tools）           │
│    输入：用户问题 + 可用工具列表      │
│    输出：AIMessage（含 tool_calls）   │
└─────────────────────────────────────┘
    │
    ▼
┌─────────────────────────────────────┐
│ 3. 模型返回 tool_calls              │
│    识别出需调用 get_weather 工具     │
│    参数：{"city": "北京"}            │
└─────────────────────────────────────┘
    │
    ▼
┌─────────────────────────────────────┐
│ 4. 手动执行工具调用                  │
│    tool.invoke() → ToolMessage      │
│    结果："北京天气晴朗"              │
└─────────────────────────────────────┘
    │
    ▼
┌─────────────────────────────────────┐
│ 5. 将 ToolMessage 回传给模型         │
│    模型整合信息，返回最终回复         │
│    输出："北京今天天气晴朗"           │
└─────────────────────────────────────┘

4. 从 Message 流转看工具调用

消息列表在工具调用过程中的演变：

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage, ToolMessage

model = ChatOpenAI(model="gpt-4o")
model_with_tools = model.bind_tools([get_weather])

# 初始化消息列表
messages = [HumanMessage(content="北京今天天气怎么样？")]

# 第一步：模型调用 → 获得 AIMessage
response = model_with_tools.invoke(messages)
messages.append(response)  # 此时列表: [HumanMessage, AIMessage]

# 第二步：检查 tool_calls 并手动执行工具
for tool_call in response.tool_calls:
    if tool_call["name"] == "get_weather":
        tool_result = get_weather.invoke(tool_call["args"])
        messages.append(ToolMessage(
            content=tool_result,
            tool_call_id=tool_call["id"]
        ))
        # 此时列表: [HumanMessage, AIMessage, ToolMessage]

# 第三步：再次调用模型获得最终回复
final_response = model_with_tools.invoke(messages)
# 此时列表: [HumanMessage, AIMessage, ToolMessage, AIMessage]

print(final_response.content)  # "北京今天天气晴朗。"

消息流转轨迹：

HumanMessage  →  AIMessage(含tool_calls)  →  ToolMessage  →  AIMessage(最终回复)
   (第1条)           (第2条)                    (第3条)           (第4条)

🏗️ 架构与工作流

整个工具调用本质上是 Message 的流转：用户消息进入 → 模型分析产生含 tool_calls 的 AI 消息 → 工具执行产出 Tool 消息 → 回传模型获得最终回复。当前阶段需手动执行工具（大模型只能识别、不能执行），后续使用 Agent 时可自动完成整个闭环。

💻 代码实战

见上方各知识点的完整代码示例。

⚠️ 常见问题与避坑指南

  • 模型不会自动执行工具：model.bind_tools() 只是让模型知道有哪些工具可用，模型返回 tool_calls 后需要开发者手动调用 tool.invoke() 执行。
  • ToolMessage 必须带 tool_call_id：将工具执行结果回传模型时，需使用 ToolMessage 并设置正确的 tool_call_id，否则模型无法关联。
  • MCP 与 Function Calling 的关系：MCP 不是替代 Function Calling，而是 Function Calling 的一种新的协议实现方式，属于包含关系。

💡 个人总结与延伸

理解完整的工具调用消息流转是掌握 LangChain Agent 开发的关键前提。当前手动执行工具的流程在后续 Agent 章节中会被自动化替代，但底层消息流转逻辑完全一致。建议画图梳理 HumanMessage → AIMessage → ToolMessage → AIMessage 的四步流转，对理解 Agent 原理至关重要。

最近更新:
Contributors: yangwenguang