大语言模型（LLM）虽能流畅对话、生成代码，但其能力始终局限于训练数据所覆盖的知识范围。它无法实时获取天气、查询数据库、执行计算或调用企业内部 API——除非我们赋予它“手脚”。LangChain 的 Tools 模块正是为此而生：通过声明式地注册外部函数，让 LLM 在推理过程中自主决定是否调用、调用哪个工具，并解析所需参数，从而将 AI 从“聊天机器人”升级为具备真实行动力的智能代理。
工具即能力：扩展 LLM 的边界
在 LangChain 中，一个 Tool 是一个带有元信息（名称、描述、参数 schema）的异步函数。开发者只需关注业务逻辑，框架负责将其转化为 LLM 可理解的接口：
const weatherTool = tool(
async ({ city }) => {
const weather = fakeWeatherDB[city];
return weather
? `城市${city}的天气是${weather.temp},${weather.condition}`
: `城市${city}的天气信息不存在`;
},
{
name: 'weather',
description: '获取城市的天气信息',
schema: z.object({
city: z.string().describe('要查询天气的城市名称'),
}),
}
);
这里使用 zod 定义了输入参数的结构与类型约束。description 和字段的 describe 则作为自然语言提示，帮助 LLM 理解何时及如何使用该工具。这种设计使得工具注册既安全又语义清晰。
模型绑定工具：开启自主决策
注册工具后，需将其“绑定”到模型实例，使其在生成回复前具备工具调用的选项：
const model = new ChatDeepSeek({
model: 'deepseek-chat',
temperature: 0
}).bindTools([addTool, weatherTool]);
const res = await model.invoke('北京的天气');
当用户提问涉及实时数据时，模型不再尝试“编造”答案，而是返回一个 tool_calls 字段，明确指示应调用 weather 工具，并附上解析出的参数 { city: "北京" }。这标志着 LLM 从“猜测者”转变为“协调者”。
执行工具调用：连接虚拟与现实
拿到 tool_calls 后，应用需手动执行对应工具并返回结果：
if (res.tool_calls?.length) {
const call = res.tool_calls[0];
if (call.name === 'weather') {
const result = await weatherTool.invoke(call.args);
console.log(result); // 输出真实天气信息
}
}
这一过程看似简单，却构成了 AI Agent 的核心循环：感知（用户输入）→ 决策（是否调用工具）→ 行动（执行工具）→ 反馈（将结果告知用户或用于下一步推理）。通过这种方式，LLM 能够动态接入任意外部系统，能力边界仅受限于开发者提供的工具集。
多工具协同：构建复杂任务流
一个应用通常需要多个工具协同工作。例如，同时支持天气查询与数学计算：
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(),
b: z.number(),
}),
}
);
当用户问“北京温度加上5是多少？”，理想情况下，Agent 会先调用 weather 获取温度（如30°C），再调用 add 计算 30 + 5。虽然当前示例需手动处理单次调用，但结合 LangChain 的 Agent 执行器，可自动完成多步工具调用与结果串联，实现真正的端到端自动化。
类型安全与可维护性
使用 zod 定义参数 schema 不仅提升 LLM 的参数解析准确率，还带来强类型保障。在 TypeScript 项目中，工具函数的输入类型可自动推导，减少运行时错误。同时，每个工具自包含逻辑、描述与验证规则，便于团队协作与长期维护。
实际价值：从问答到服务
引入 Tools 后，AI 应用的形态发生质变：
- 客服系统：调用订单接口查询物流；
- 数据分析助手：执行 SQL 查询并生成图表；
- DevOps 机器人：根据日志触发部署或回滚；
- 个人助理：读取日历、发送邮件、控制智能家居。
这些场景的共同点是：LLM 负责理解意图与规划步骤，工具负责执行具体操作。二者分工明确，各司其职。
结语
LangChain 的 Tools 模块，本质上是在 LLM 与现实世界之间架设了一座桥梁。它不改变模型本身，而是通过标准化的接口，让 AI 能够“动手做事”。随着工具生态的丰富，未来的智能应用将不再是被动响应的问答机，而是能主动感知、决策、执行的数字员工。而这一切，始于一行 tool() 的声明。
