企业官网建设流程全解析

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.toolsimporttool@tooldefget_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 llm=ChatOpenAI(model="gpt-4o-mini")llm_with_tools=llm.bind_tools([get_weather])result=llm_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_msg=llm_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:selected=tools_by_name[call["name"]]output=selected.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(content=str(output),tool_call_id=call["id"]))# ④ 再问一次，拿到最终回答final=llm_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_tools=llm.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_choice="any")# 必须调，随便哪个llm.bind_tools(tools,tool_choice="search_order")# 必须调这个llm.bind_tools(tools,tool_choice="none")# 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:output=tools_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output=f"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(content=str(output),tool_call_id=call["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:str=Field(description="姓名")age:int=Field(description="年龄")city:str=Field(description="所在城市")@tool(args_schema=Person)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_tools=llm.bind_tools([extract_person])result=llm_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

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。