在 LangChain Core 中，​Tool（工具）​​ 是一个非常重要的概念，它允许大语言模型（LLM）与外部系统或功能进行交互，比如调用 API、执行代码、查询数据库、搜索网页等。通过定义和使用 Tool，你可以扩展 LLM 的能力，让它不仅仅局限于文本生成，而是能够“做事”。

---

一、什么是 Tool？

在 LangChain 中，​Tool 代表一个具有明确名称和输入参数的外部功能或接口，LangChain 可以让 LLM 理解什么时候该调用哪个 Tool，以及如何调用它。

简单来说：

• ​Tool = 一个有名字的功能 + 输入参数 + 执行逻辑​

• LLM 可以决定何时调用哪个 Tool，并传入合适的参数

• LangChain 提供了标准化的 Tool 接口，也支持自定义 Tool

---

二、为什么使用 Tool？

大语言模型本身知识丰富，但无法直接访问外部实时数据或执行操作（比如查天气、订机票、调用 API）。通过 Tool：

• 让 LLM 能够​“使用工具完成任务”​，比如调用搜索引擎、API、数据库等

• 实现所谓的 ​​"Agent"（智能体）​，即让 LLM 像人一样思考并决定何时使用什么工具

• 提高应用的实际能力与落地价值

---

三、LangChain Core 中的 Tool 使用方法

LangChain Core 提供了一个标准的 Tool类，你可以基于它来定义自己的工具，或者使用 LangChain 提供的现成工具（如搜索工具、API 工具等）。

1. 标准 Tool 接口

LangChain 中定义 Tool 的核心是实现一个符合 Tool 协议的对象，通常最简单的就是继承或使用 langchain_core.tools.Tool类（或函数式方式）。

基本结构：

一个 Tool 通常包括：

• ​name: 工具名称，LLM 通过名称调用它

• ​description: 工具的描述，用于让 LLM 理解这个工具是干什么的，什么时候该用

• ​func: 实际执行功能的函数，接收输入参数并返回结果

---

2. 定义一个简单的自定义 Tool

下面是一个非常基础的例子，展示如何定义并使用一个自定义 Tool：

示例：定义一个获取当前时间的 Tool

from langchain_core.tools import Tool
from datetime import datetime

# 定义一个获取当前时间的函数
def get_current_time(**kwargs):
    return f"当前时间是：{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}"

# 创建一个 Tool 对象
time_tool = Tool(
    name="get_current_time",
    description="获取当前的系统时间，返回格式为 YYYY-MM-DD HH:MM:SS",
    func=get_current_time,
)

# 调用 Tool
result = time_tool.invoke({"input": ""})  # 通常参数通过 input 传入
print(result)

输出示例：当前时间是：2025-10-15 20:55:18

⚠️ 注意：虽然我们传入了空 input，但 description 会告诉 LLM 这个工具不需要额外参数。

---

3. 使用 Tool 的常见场景：与 Agent 配合

在实际使用中，你很少直接调用 Tool，而是将它提供给一个 ​Agent（智能体）​，让 Agent 来判断何时使用哪些 Tools。

例如，结合 langchain.agents或 langchain_experimental中的 Agent，你可以让 LLM 自主决定调用你定义的工具。

简单流程：

1. 定义多个 Tools（比如搜索、计算、调用 API）

2. 把这些 Tools 组合成一个列表提供给 Agent

3. 用户提问，Agent 分析问题并决定调用哪个 Tool

4. Tool 执行后，将结果返回给 LLM，继续处理

---

4. 使用现成的 Tool（如搜索、API 调用等）

LangChain 生态中提供了很多现成的 Tools，比如：

• ​搜索引擎工具​（如 DuckDuckGoSearchRun）

• ​Python REPL 工具​（在沙盒中运行代码）

• ​API 请求工具​

• ​数据库查询工具​

举个例子，使用内置的搜索工具：

from langchain_community.tools import DuckDuckGoSearchRun

# 创建一个搜索工具
search = DuckDuckGoSearchRun()

# 调用搜索工具
result = search.invoke("今天的科技新闻")
print(result)

这会返回 DuckDuckGo 搜索“今天的科技新闻”的结果。

---

四、Tool 的关键组成部分总结

组件	说明
​name​	工具的唯一标识符，LLM 通过名字调用
​description​	工具用途的自然语言描述，指导 LLM 何时使用
​func​	实际执行逻辑的函数，接受输入并返回输出
​parameters​（可选/高级）	更规范地定义输入参数（类型、是否必填等），推荐使用 Pydantic 模型

---

五、更规范的 Tool 定义（使用 Parameters）

为了让 LLM 更好地理解 Tool 的输入参数，推荐使用 ​Pydantic 模型​ 明确指定输入参数的结构，这样 LangChain 可以生成更准确的工具调用。

示例：带参数的 Tool

from langchain_core.tools import Tool
from pydantic import BaseModel, Field
from typing import Optional

# 定义输入参数的结构
class GetUserInput(BaseModel):
    user_id: int = Field(..., description="用户的唯一ID")

# 工具函数
def get_user_info(user_id: int) -> str:
    # 模拟查询用户信息
    return f"用户 {user_id} 的信息：这是一个模拟的用户数据。"

# 创建 Tool
user_tool = Tool(
    name="get_user_info",
    description="根据用户ID获取用户信息",
    func=get_user_info,
    args_schema=GetUserInput,  # 指定参数模型
)

# 调用（通常由 Agent 调用，这里手动模拟）
input_data = {"user_id": 123}
result = user_tool.invoke(input_data)
print(result)

输出：用户 123 的信息：这是一个模拟的用户数据。

🔍 ​说明：​​

• 使用 Pydantic 模型可以明确定义参数的类型和含义

• LLM 可以基于 description 和参数 schema 更准确地生成调用

---

六、总结：LangChain Core Tool 的核心要点

要点	说明
✅ Tool 是 LLM 与外部世界交互的桥梁	如调用 API、搜索、执行代码等
✅ 每个 Tool 包括 name、description、func	核心三要素
✅ 可以自定义 Tool，也可以使用现成的	比如搜索、数据库、代码执行等
✅ 通常与 Agent 配合使用，让 LLM 自主调用 Tool	构建智能、自主的应用
✅ 推荐使用 Pydantic 模型定义参数	提升工具的可用性与 LLM 的理解度

---

七、进一步学习建议

如果你想深入学习 Tool 的使用，可以探索以下内容：

1. ​LangChain 官方文档 - Tools 部分​

   • https://python.langchain.com/docs/modules/agents/tools/

2. ​LangChain 工具包（Toolkits）​​

   • 比如 langchain_community.tools提供了很多现成的工具

   • 包括：搜索、API、数据库、文件操作等

3. ​结合 Agent 使用 Tool​

   • 学习如何构建 ReAct Agent、OpenAI Function Calling、多 Tool 协作等

4. ​自定义复杂 Tool​

   • 比如调用公司内部 API、数据库、执行脚本等