LangChain 最核心的扩展能力：

1. 自定义工具：把任意 Python 函数包装成 LLM 能调用的工具
2. 自定义链：灵活组装你的业务逻辑，不是简单的 Prompt | LLM

一、自定义工具（Custom Tools）

1. 什么是自定义工具？

简单来说，自定义工具就是把你的 Python 函数包装成 LLM 能理解、能自主调用的工具。

比如：

• 你写一个天气查询函数 → 包装成工具 → LLM 能自主调用查天气
• 你写一个数据库查询函数 → 包装成工具 → LLM 能自主查数据库
• 你写一个文件读写函数 → 包装成工具 → LLM 能自主读写文件

2. 自定义工具的 3 个核心要素

（1）@tool 装饰器

把普通 Python 函数变成 LangChain 工具的 “魔法装饰器”。

（2）清晰的 docstring（最重要！）

这是 LLM 的 “工具使用说明书”，LLM 完全靠看 docstring 来判断：

• 这个工具是做什么的
• 什么时候用这个工具
• 参数是什么
• 返回什么

docstring 写得越清楚，LLM 越会正确调用工具！

（3）正确的参数和返回值

参数要明确类型，返回值要是字符串（方便 LLM 理解）。

二、实战：自定义天气查询工具

我们用 OpenWeatherMap 免费 API 来做天气查询工具，稳定、免费、国内可访问。

1. 准备工作

（1）获取 OpenWeatherMap API Key

1. 访问 OpenWeatherMap 官网
2. 注册账号（免费）
3. 登录后进入「My API Keys」，复制你的 API Key

（2）安装依赖

pip install -U langchain langchain-openai langchain-community python-dotenv requests

三、完整代码：自定义天气工具 + 自定义链 + ReAct Agent

import os
import requests
from dotenv import load_dotenv

# langchain 相关的模块
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langchain_core.runnables import RunnableLambda, RunnablePassthrough
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.agents import create_react_agent, AgentExecutor, create_tool_calling_agent
from langchain_core.output_parsers import StrOutputParser
from langchain_core.callbacks import BaseCallbackHandler, StdOutCallbackHandler


# 加载环境变量
load_dotenv()

# 配置
OPEN_WEATHER_API_KEY = os.getenv("OPEN_WEATHER_API_KEY")
ZHIPU_API_KEY = os.getenv("ZHIPU_API_KEY")

# 初始化LLM
llm = ChatOpenAI(
    api_key=ZHIPU_API_KEY,
    base_url="https://open.bigmodel.cn/api/paas/v4",
    model='glm-4.6',
    temperature=0.01
)

# 自定义天气查询工具
@tool
def get_weather(city: str) -> str:
    """
    【天气查询专用工具】查询指定城市的实时天气信息
    当用户询问天气、温度、湿度、风速等气象信息时，必须调用此工具
    :param city: 城市名称，支持中文（如“北京”）或英文（如“Beijing”）
    :return: 实时天气信息的字符串，包括温度、湿度、天气描述、风速
    """
    base_url = "https://api.openweathermap.org/data/2.5/weather"
    params = {
        "lon": 116.40, # 经度
        "lat": 39.90, # 纬度
        # "q": city,
        "appid": OPEN_WEATHER_API_KEY,
        "units": "metric", # 摄氏度
        "lang": "zh-CN", # 中文秒速
    }

    try:
        response = requests.get(url=base_url, params=params, timeout=10)
        response.raise_for_status()
        data = response.json()

        # 解析天气数据
        weather_desc = data["weather"][0]["description"]
        temp = data["main"]["temp"]
        humidity = data["main"]["humidity"]
        wind_speed = data["wind"]["speed"]
        city_name = data["name"]

        return (
            f"【{city_name} 实时天气】\n"
            f"天气：{weather_desc}\n"
            f"温度：{temp}℃\n"
            f"湿度：{humidity}%\n"
            f"风速：{wind_speed} m/s"
        )
    except requests.exceptions.RequestException as e:
        return f'天气查询失败：{str(e)}'
    except KeyError:
        return "未找到该城市的天气信息，请检查城市名称是否正确"

# 自定义链 Custom Chain
# 自定义链的两种方式：
# 1. RunnableLambda 最简单 适合简答的
# 2. 继承Runnable 最灵活 适合复杂的逻辑

# 例子1： 用 RunnableLambda 做一个简单的文本长度统计链
def count_text_length(text: str) -> str:
    """统计文本长度的自定义函数"""
    return f"文本长度： {len(text)}个字符"

# 包装成 Runnable
length_counter = RunnableLambda(count_text_length)

# 例子2：组装一个完整的自定义链（翻译 + 长度统计）
translation_prompt = ChatPromptTemplate.from_template(("""把下面的文本翻译成英文：{text}"""))
translation_chain = translation_prompt | llm | StrOutputParser()

# 自定义链： 先翻译 在统计长度
custom_chain = (
    {"text": RunnablePassthrough()}
    | translation_chain
    | (lambda x: {"original": x, "length": count_text_length(x)})
)

# 把自定义工具加入ReAct Agent
# 工具列表 把查询天气的工具加进去
tools = [get_weather]

# ReAct 提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", """
   你是一个强大的智能助手，能通过调用工具解决问题，会调用工具查天气。
   核心规则：
   1.  严格按照「Thought → Action → Observation」的格式执行
   2.  当用户询问天气时，必须调用 get_weather 工具
   3.  只有获取了足够的信息，才能输出 Final Answer
   4.  禁止编造信息
   """),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])

# 创建 ReAct Agent
# agent = create_react_agent(llm, tools, prompt)
# 【关键修复】用新版 create_tool_calling_agent，兼容性更好
agent = create_tool_calling_agent(llm, tools, prompt)

agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True, #开启详细日志
    handle_parsing_errors=True,
    callbacks=[StdOutCallbackHandler()]
)

# 主程序
def main():
    print("=== 🚀 Langchain 自定义工具 + 自定义链 + Agent ===")
    print("1. 测试自定义天气工具")
    print("2. 测试自定义链（翻译+长度统计）")
    print("3. 测试 ReAct Agent (自助调用天气工具)")
    print("输入 q 退出\n")
    while True:
        choice = input("请选择功能 （1/2/3/q）: ").strip()
        if choice.lower() == "q":
            print("👋 再见！")
            break

        # 测试1： 自定义天气工具
        if choice == "1":
            city = input("请输入城市名称：").strip()
            result = get_weather.invoke(city)
            print(f"\n 🌤️ 天气查询结果：\n {result}\n")

        # 测试2： 自定义链
        elif choice == "2":
            text = input("请输入要翻译的中文文本：").strip()
            result = custom_chain.invoke(text)
            print(f"\n 📄 翻译结果：{result["original"]}")
            print(f"📏 {result["length"]}\n")

        # 测试3：ReAct Agent
        elif choice == "3":
            query = input("请输入你的问题 （比如：北京今天天气怎么样？）").strip()
            result = agent_executor.invoke({"input":query})
            print(f"\n 🤖 Agent最终回答：{result["output"]} ")

        else:
            print("⚠️ 无效选择，请重新输入！ \n")

if __name__ == "__main__":
    main()

---

四、.env 文件配置

DOUBAO_API_KEY=你的豆包APIKey
OPENWEATHER_API_KEY=你的OpenWeatherMapAPIKey

五、代码核心部分详解

1. 自定义天气工具：@tool 装饰器

@tool
def get_weather(city: str) -> str:
    """
    【天气查询专用工具】查询指定城市的实时天气信息
    当用户询问天气、温度、湿度、风速等气象信息时，必须调用此工具
    
    :param city: 城市名称，支持中文（如“北京”）或英文（如“Beijing”）
    :return: 实时天气信息的字符串，包括温度、湿度、天气描述、风速
    """
    # ... 具体实现

• @tool：把函数变成工具
• docstring 极其重要：LLM 完全靠它判断什么时候用工具
• 参数和返回值明确：方便 LLM 理解

2. 自定义链：RunnableLambda

def count_text_length(text: str) -> str:
    return f"文本长度：{len(text)} 个字符"

# 包装成 Runnable
length_counter = RunnableLambda(count_text_length)

• RunnableLambda：把普通 Python 函数变成 LangChain 可调用的链
• 可以和其他链用 | 操作符串联

3. 把工具加入 Agent

tools = [get_weather]
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

• 把自定义工具加入 tools 列表
• Agent 就能自主判断什么时候调用工具了

六、运行效果演示

测试 1：自定义天气工具

plaintext

请选择功能 （1/2/3/q）: 1
请输入城市名称：北京

 🌤️ 天气查询结果：
 【Beijing 实时天气】
天气：clear sky
温度：15.23℃
湿度：12%
风速：1.84 m/s

测试 2：自定义链

请选择功能 （1/2/3/q）: 2
请输入要翻译的中文文本：七里香

 📄 翻译结果：“七里香”根据上下文不同，可以翻译为：

1.  **Seven Mile Fragrance** (直译，最通用的翻译)
2.  **Orange Jasmine** 或 **Chinese Box** (植物学名称，指九里香/月橘)
3.  **Common Jasmine Orange** (周杰伦同名专辑及歌曲的官方英文译名)
📏 文本长度： 168个字符

测试 3：ReAct Agent

=== 🚀 Langchain 自定义工具 + 自定义链 + Agent ===
1. 测试自定义天气工具
2. 测试自定义链（翻译+长度统计）
3. 测试 ReAct Agent (自助调用天气工具)
输入 q 退出

请选择功能 （1/2/3/q）: 3
请输入你的问题 （比如：北京今天天气怎么样？）北京天气怎么样？


> Entering new AgentExecutor chain...

Invoking: `get_weather` with `{'city': '北京'}`
responded: 我来帮您查询北京的天气情况。

【Beijing 实时天气】
天气：clear sky
温度：15.23℃
湿度：12%
风速：1.84 m/s根据查询结果，北京目前的天气情况如下：

🌤️ **天气状况**：晴朗（clear sky）
🌡️ **温度**：15.23℃
💧 **湿度**：12%
💨 **风速**：1.84 m/s

今天北京天气不错，晴朗的天空，温度适宜，湿度较低，微风轻拂，是个比较舒适的天气。

> Finished chain.

---

七、总结

1. 自定义工具的核心：@tool 装饰器 + 清晰的 docstring
2. 自定义链的核心：RunnableLambda 或继承 Runnable
3. Agent 调用工具的核心：把工具加入 tools 列表，LLM 会自主判断