LangChain 入门学习第三篇-工具调用和 Agent
内容提要
本文介绍LangChain工具调用与Agent入门。通过@tool定义工具，bind_tools让模型返回tool_calls，手动执行工具并用ToolMessage回传结果；create_agent则自动完成调用循环。示例演示计算与字符统计，强调工具用于确定性任务，模型负责意图理解。
延伸解读
工具调用的核心：模型决策，程序执行
本文通过 bind_tools 和手动执行工具，清晰展示了工具调用的分工：模型负责理解用户意图并决定调用哪个工具、传入什么参数，而实际计算或统计由 Python 函数完成。这种设计将确定性任务交给工具，避免模型猜测，提高了结果的可靠性。理解这一分工是掌握 Agent 的基础。
bind_tools 与 Agent 的适用场景
bind_tools 是底层接口，需要手动处理 tool_calls 和 ToolMessage，适合学习和调试工具调用流程。而 create_agent 自动完成整个循环，适合实际业务开发。初学者应先通过手动方式理解机制，再使用 Agent 简化代码，这样能更深刻地理解 Agent 的工作原理。
工具定义中的关键细节
使用 @tool 装饰器时，函数名、参数和 docstring 都会影响模型对工具的理解。docstring 应清晰描述工具功能，否则模型可能无法正确选择工具。此外，工具应尽量简单、结果确定，以便观察调用过程。本文刻意不引入外部工具，正是为了聚焦机制本身。
Q&A
LangChain中如何使用@tool装饰器定义工具？
在LangChain中，使用@tool装饰器可以将普通Python函数包装成工具。函数名会成为工具名，函数参数会变成工具入参，docstring会作为工具说明提供给模型。例如：@tool def multiply(a: int, b: int) -> int: """计算两个整数相乘的结果。""" return a * b
bind_tools和create_agent有什么区别？
bind_tools是更底层的工具调用方式，它把工具列表绑定到模型，让模型返回tool_calls，但需要自己手动执行工具并处理ToolMessage。create_agent则更完整，它自动完成工具调用循环，包括执行工具和将结果交回模型，适合实际业务流程。
在LangChain中，模型返回的tool_calls是什么？
tool_calls是模型在调用bind_tools后返回的结构化请求，包含工具名称、参数和调用ID。它表示模型认为需要调用哪些工具以及参数是什么，但此时工具尚未执行。
LangChain中ToolMessage的作用是什么？
ToolMessage用于将工具执行结果包装成消息，并交回给模型。它包含工具名称、执行结果和对应的tool_call_id，使模型能够基于工具结果生成最终回答。
为什么在LangChain中不直接让模型计算，而是使用工具？
因为计算等确定性任务应该由程序执行，而不是依赖模型猜测。工具调用的核心价值是将确定性的事情交给确定性工具，模型则负责理解意图、选择工具和组织回答。
如果模型不调用工具，应该怎么排查？
可以从几个方向排查：问题是否真的需要工具；工具docstring是否描述清楚；system prompt是否明确要求优先使用工具；当前模型服务是否支持tool calling。
LangChain中Agent是什么？
Agent可以简单理解为模型+工具+执行循环。它自动完成工具调用流程，包括调用模型、读取tool_calls、执行工具、将结果交回模型并生成最终回答。
为什么第三章不使用真实外部工具？
因为第三章的重点是讲清楚工具调用机制本身。如果一开始就接文件、数据库或网络搜索，容易让读者分心于外部系统细节，而忽略LangChain工具调用流程。
