让 AI 不只是聊天：用 LangChain 工具（Tools）赋予大模型“动手能力”

烟袅破辰
61 阅读4分钟

我们常把大模型比作“聪明的嘴”——它能说会道，但不能做事。
比如你问：“北京今天天气怎么样？”
它可能会凭记忆瞎猜，或者直接回答：“我不知道。”

但如果我们能让它调用一个真实的天气接口呢？
答案就不再是猜测，而是准确数据。

LangChain 提供了一套优雅的机制——Tools（工具） ，让大模型不仅能“说”，还能“做”。
本文将通过两个简单例子（查天气 + 加法），带你掌握如何用 @langchain/core/tools 和 bindTools 实现函数调用。

一、为什么需要 Tools？

大模型的本质是“语言预测器”，它没有访问外部世界的能力。
但现实中的 AI 应用往往需要：

  • 查询数据库
  • 调用 API
  • 执行计算
  • 操作文件

这些能力，统称为 “工具调用”（Tool Calling） 。

LangChain 的 tool 函数，就是用来把 JavaScript 函数包装成模型可调用的工具。
配合支持函数调用的模型（如 DeepSeek、GPT-4、Claude 等），就能实现“AI 决策 → 调用工具 → 返回结果”的闭环。

二、第一步：定义你的工具

我们先模拟一个天气数据库：

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" },
};

然后用 tool() 包装成一个可被模型调用的工具：

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

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.temp}, ${weather.condition}, 风力${weather.wind}`;
  },
  {
    name: '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：

  • 第一个参数：实际执行的异步函数，接收结构化参数
  • name：工具的唯一标识，模型通过它决定调用哪个工具
  • description：告诉模型这个工具是干什么的（影响调用决策）
  • schema：用 Zod 定义输入参数的类型和描述，模型据此生成合法参数

Zod 是一个强大的 TypeScript 运行时校验库，LangChain 用它来确保模型传参的合法性。

同样，我们再定义一个加法工具：

const addTool = tool(
  async ({ a, b }) => String(a + b),
  {
    name: 'add',
    description: "计算两个数字的和",
    schema: z.object({
      a: z.number().describe("第一个数字"),
      b: z.number().describe("第二个数字")
    })
  }
);

现在，我们有了两个“能力”：查天气、做加法。

三、第二步：把工具绑定给模型

接下来，让模型知道它“能用哪些工具”。

import { ChatDeepSeek } from '@langchain/deepseek';

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

.bindTools() 是关键——它会：

  • 自动提取每个工具的 name、description、schema
  • 将这些信息作为“函数签名”注入到模型的上下文
  • 告诉模型：“你可以调用这些函数，按这个格式传参”

此时，模型就从“纯聊天模式”升级为“可调用工具模式”。

四、第三步：触发调用并处理结果

我们问模型一个问题：

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

如果模型判断需要调用工具，res 中会包含 tool_calls 字段：

if (res.tool_calls?.length) {
  const call = res.tool_calls[0];
  if (call.name === 'weather') {
    const result = await weatherTool.invoke(call.args);
    console.log("最终结果:", result);
  }
}

输出：

最终结果: 当前北京的天气是30°C, 晴, 风力微风

整个流程如下：

  1. 用户提问 → 模型分析是否需要外部工具
  2. 若需要，模型返回 tool_calls（包含工具名 + 参数）
  3. 我们根据 name 路由到对应工具，用 args 调用
  4. 工具执行后返回真实结果
  5. （可选）把结果再喂给模型，生成自然语言回复

注意：目前我们手动处理了工具调用。LangChain 也提供了 createToolCallingAgent 等高级封装，可自动完成整个 loop。

五、结语：AI 的未来是“会用工具的人”

大模型真正的价值，不在于它能背多少知识，而在于它能否合理调度外部能力。

LangChain 的 tool + bindTools 机制，正是通往这一目标的桥梁。
无论是查天气、发邮件、查订单，还是控制智能家居，背后都是同一个模式：

定义工具 → 绑定模型 → 处理调用

你不需要教模型“怎么查天气”，只需要给它一个叫 weather 的工具，它自己就知道何时用、怎么用。

而这，或许才是“智能助手”的真正含义。

试试看：把 fakeWeatherDB 换成真实 API（如和风天气），你的 AI 就能提供全国任意城市的实时天气了！

avatar
文章
阅读
粉丝