赋能大模型：使用 LangChain Tools 扩展 LLM 的能力边界在大语言模型（LLM）日益普及的今天，单纯依

在大语言模型（LLM）日益普及的今天，单纯依靠模型自身“知识”已难以满足复杂应用场景的需求。为了让模型具备调用外部能力（如查询数据库、执行计算、调用 API 等），LangChain 提供了 Tools 机制——一种将函数封装为模型可调用工具的方式。通过这种机制，我们可以赋予大模型“动手做事”的能力，而不仅仅是“聊天”。

本文将深入讲解如何使用 LangChain 的 tool 构造函数，结合 Zod 定义结构化输入 Schema，并以 DeepSeek 模型为例，展示如何绑定工具、触发调用并处理结果。我们将从基础概念出发，逐步构建一个支持天气查询与加法运算的智能助手。

一、什么是 LangChain Tools？

LangChain 中的 Tool 是一种将普通 JavaScript 函数封装为 LLM 可理解、可调用单元的机制。每个 Tool 包含三个核心部分：

函数逻辑：实际执行的操作，例如查询天气、执行数学运算等；
Schema 定义：使用 Zod 库声明输入参数的类型和语义描述，帮助 LLM 理解如何正确调用；
元信息：包括工具名称（name）和功能描述（description），用于 LLM 在推理时判断是否需要调用该工具。

通过这种方式，LLM 不再局限于其训练数据中的静态知识，而是可以动态地与外部世界交互，从而显著扩展其能力边界。

二、准备工作：引入依赖与环境配置

首先，我们需要安装必要的依赖包：

npm install @langchain/deepseek @langchain/core zod dotenv

然后在代码顶部引入所需模块：

import { ChatDeepSeek } from '@langchain/deepseek'
import 'dotenv/config'

import { tool } from '@langchain/core/tools'
import { z } from 'zod'

其中：

ChatDeepSeek 是 DeepSeek 官方提供的 LangChain 集成客户端；
dotenv/config 用于加载 .env 文件中的环境变量（如 API Key）；
tool 是 LangChain 提供的工具构造函数；
z 来自 Zod 库，用于定义运行时类型校验和结构化 Schema。

三、构建第一个 Tool：模拟天气查询

我们先创建一个模拟的天气数据库，用于演示：

const fakeWeatherDB = {
  北京: { temp: "30°C", condition: "晴", wind: "微风" },
  上海: { temp: "28°C", condition: "多云", wind: "东风 3 级" },
  广州: { temp: "32°C", condition: "阵雨", wind: "南风 2 级" }
}

接下来，使用 tool() 构造函数定义天气查询工具：

const weatherTool = tool(
  async ({ city }) => {
    const weather = fakeWeatherDB[city]
    if (!weather) {
      return `暂无${city}的天气信息`
    }
    return `当前${city}的天气是${weather.condition}, ${weather.temp}, 风力${weather.wind}`
  },
  {
    name: 'get_weather',
    description: '查询指定城市的今日天气情况',
    schema: z.object({
      city: z.string().describe('要查询天气的城市')
    })
  }
)

关键点解析：

函数体：接收 { city } 对象作为参数，从模拟数据库中查找天气信息。
name：必须唯一，LLM 在生成工具调用指令时会使用此名称。
description：自然语言描述，帮助 LLM 理解该工具的用途。
schema：使用 Zod 定义输入结构。z.string().describe(...) 不仅声明了类型，还通过 .describe() 提供语义说明，极大提升 LLM 调用的准确性。

注意：Tool 返回值通常为字符串。因为 LLM 的输入输出均为文本，工具结果最终会被拼接到模型回复中，统一为字符串可避免类型混淆。

四、构建第二个 Tool：加法运算

为了展示数值处理能力，我们再定义一个简单的加法工具：

const addTool = tool(
  async ({ a, b }) => String(a + b),
  {
    name: 'add',
    description: '计算两个数值的和',
    schema: z.object({
      a: z.number(),
      b: z.number()
    })
  }
)

这里的关键在于：

参数 a 和 b 被明确声明为 number 类型；
返回值强制转换为字符串，确保与 LLM 的文本处理流程兼容；
描述清晰，使模型能准确识别何时需要调用此工具。

五、绑定工具到模型：启用工具调用能力

LangChain 允许我们将多个工具绑定到 LLM 实例上，使其在推理过程中自动决定是否调用工具：

const model = new ChatDeepSeek({
  model: 'deepseek-chat',
  temperature: 0
}).bindTools([addTool, weatherTool])

bindTools() 接收一个 Tool 数组；
当用户提问时，模型会分析语义，若判断需要外部能力，就会在响应中包含 tool_calls 字段，列出要调用的工具名及参数。

例如，当用户问：“北京今天的天气怎么样？”模型会识别出这是一个天气查询请求，并生成如下调用指令：

{
  "name": "get_weather",
  "args": { "city": "北京" }
}

六、处理工具调用结果

模型返回的响应对象中，若包含 tool_calls，则说明需要执行工具调用。我们可以遍历这些调用并执行对应逻辑：

const res = await model.invoke('北京今天的天气怎么样?')

if (res.tool_calls?.length) { // 可选链运算符 es6新增 提高代码的简洁  如果有.tool_calls 才.length 
  const call = res.tool_calls[0]
  let result

  if (call.name === 'add') {
    result = await addTool.invoke(call.args)
  } else if (call.name === 'get_weather') {
    result = await weatherTool.invoke(call.args)
  }

  console.log('最终结果:', result)
}

为什么使用 `.invoke()`？

因为每个由 tool() 创建的对象都实现了 LangChain 的 Runnable 接口，这意味着它可以像模型一样被调用。.invoke() 是同步执行方法，适用于大多数场景；此外还支持 .stream() 等流式调用方式。

七、Zod Schema 的核心价值

LLM 本身并不理解 JavaScript 的类型系统。它只能通过自然语言和结构化提示来推断如何调用函数。Zod 在此过程中扮演了关键角色：

类型安全：在运行时校验传入参数是否符合预期；
语义增强：通过 .describe() 嵌入自然语言说明，例如 z.string().describe('要查询天气的城市')，让 LLM 明确知道这个字符串代表“城市名称”；

如果没有 Zod，开发者需手动编写复杂的提示词来约束参数格式，极易出错且维护困难。

八、完整工作流总结

定义工具函数：实现具体业务逻辑（如查天气、做加法）；
使用 tool() 封装：提供 name、description 和 Zod Schema；
绑定到模型：通过 .bindTools() 注册可用工具集；
发起用户查询：模型自动判断是否需要调用工具；
解析 tool_calls：提取工具名和参数；
执行工具并返回结果：将结果反馈给用户或用于后续推理。

这一流程使得 LLM 从“被动回答者”转变为“主动执行者”，真正具备了与现实世界交互的能力。

九、结语

通过 LangChain 的 Tools 机制，我们可以轻松地将任意函数转化为 LLM 可调用的工具。结合 Zod 的结构化 Schema 和清晰的语义描述，不仅提升了调用准确性，也增强了系统的可维护性与可扩展性。

无论是查询数据库、调用第三方 API，还是执行本地计算，Tools 都为大模型打开了通往真实世界的大门。未来，随着多模态、实时数据和复杂任务需求的增长，这种“模型+工具”的架构将成为 AI 应用开发的主流范式。

本文代码已在 Node.js 环境下验证，配合 DeepSeek API 可直接运行。读者可根据自身业务需求，替换 fakeWeatherDB 为真实天气 API，或添加更多实用工具，打造属于自己的智能助手。

赋能大模型：使用 LangChain Tools 扩展 LLM 的能力边界