LangChain组件Tools/Toolkits详解（1）——Tools接口与创建工具概述

LangChain组件Tools/Toolkits之Tools详解

龙焰智能

已于 2025-03-24 12:27:10 修改

阅读量852

点赞数 26

CC 4.0 BY-SA版权

分类专栏： LangChain详解文章标签： LangChain tools toolkits tools接口

于 2025-03-18 16:27:56 首次发布

本文链接：https://blog.csdn.net/shao918516/article/details/146339630

LangChain详解专栏收录该内容

28 篇文章 ¥59.90 ¥99.00

订阅专栏

超级会员免费看

LangChain组件Tools/Toolkits详解（1）——Tools接口与创建工具概述

前言
本篇摘要
14. LangChain组件Tools/Toolkits详解

前言

本系列文章主要介绍WEB界面工具Gradio。Gradio是Hugging Face发布的简易WebUI开发框架，它基于FastAPI和svelte，可以使用机器学习模型、python函数或API开发多功能界面，并可部署人工智能模型，是当前热门的非常易于展示机器学习大语言模型LLM及扩散模型DM的WebUI框架。
本系列文章分为五部分：Gradio介绍、HuggingFace资源与工具库、Gradio基础功能实战、Gradio与大模型融合实战和Gradio高级功能实战。第一部分Gradio介绍，包括三章内容：第一章先介绍Gradio的概念，包括详细技术架构、历史、应用场景、与其他框架Gradio/NiceGui/StreamLit/Dash/PyWebIO的区别，然后详细介绍了Gradio的安装与运行，安装包括Linux/Win/Mac三类系统安装，运行包括普通方式和热重载方式；第二章介绍Gradio的4种部署方式，包括本地部署launch()、huggingface托管、FastAPI挂载和Gradio-Lite浏览器集成；第三章介绍Gradio的三种Client，包括python客户端、javascript客户端和curl客户端，方便读者对Gradio整体把握。第二部分介绍著名网站Hugging Face的各类资源和工具库，因为Gradio演示中经常用到Hugging Face的models及某些场景需要部署在spaces，包括两章内容：第四章详解三类资源models/datasets/spaces的使用，第五章实战六类工具库transformers/diffusers/datasets/PEFT/accelerate/optimum实战。第三部分是Gradio基础功能实战，进入本系列文章的核心，包括四章内容：第六章讲解Gradio库的模块架构和环境变量，第七章讲解Gradio高级抽象界面类Interface，第八章讲解Gradio底层区块类Blocks，第九章讲解补充特性Additional Features。第四部分是Gradio与大模型融合实战，包括二章内容：第十章讲解融合大模型的多模态聊天机器人组件Chatbot，第十一章讲述将LLM封装为工具的Gradio Tools。第五部分讲述LangChain，包括四章内容：第十二章讲述LangChain优势分析、学习资料及架构，第十三章讲述LangChain组件Chat models，第十四章讲述组件Tools/Toolkits，第十五章讲述其它五类主要组件：Text splitters/Document loaders/Embedding models/Vector stores/Retrievers。第六部分是使用Agent构建Gradio，包括两章内容：第十六章讲解使用langchain.agents和LangGraph构建Gradio，第十七章讲述使用transformers.agents构建Gradio。第七部分讲述Gradio其它高级功能，包括三章内容：第十八章讲述Discord Bot/Slack Bot/Website Widget部署，第十九章讲述数据科学与绘图Data Science And Plots，第二十章讲述流式传输Streaming。
本系列文章讲解细致，涵盖Gradio及相关框架的大部分组件和功能，代码均可运行并附有大量运行截图，方便读者理解并应用到开发中，Gradio一定会成为每个技术人员实现各种奇思妙想的最称手工具。

本系列文章目录如下：

本章目录如下：

本篇摘要

本章介绍LangChain组件Tools/Toolkits。

14. LangChain组件Tools/Toolkits详解

工具（Tools）是一种封装函数及其模式schema的方法，可以传递给聊天模型，使模型能够请求执行带有特定输入的工具函数，例如从数据库获取数据、发出API请求或运行自定义代码。LangChain中的tool抽象类将Python函数与定义函数名称、描述和预期参数的模式schema关联起来，以明确创建工具的作用及调用方式。本节将从Tools接口与创建工具概述、装饰器@tool、结构化工具StructuredTool、处理Error、返回产物artifact、特殊类型注解、工具调用和Toolkits等方面详细介绍工具。

14.1 Tools接口与创建工具概述

本节将Tools接口与创建工具概述合并在一起讲述。

14.1.1 Tools接口

Tools接口在BaseTool类中定义，该类是Runnable Interface的子类，它与工具模式schema对应的关键属性有：

参数	描述
name	工具的名称。
description	工具功能的描述。
args	返回工具参数的JSON模式的属性。
args_schema	类型为pydantic.BaseModel，可选但推荐使用，如果使用回调处理器则是必需的，它可用于提供更多信息（如few-shot少样本示例）或对预期参数进行验证。
return_direct	仅与代理相关，当为True时，在调用给定工具后，代理将停止并直接将结果返回给用户。

与工具关联的执行函数的关键方法有：

invoke：使用给定的参数调用工具；
ainvoke：异步使用给定的参数调用工具，用于与LangChain进行异步编程。

下面看一下创建工具的概念。

14.1.2 创建工具概述

LangChain 支持从以下方式创建工具：

函数：通过简单的@tool装饰器或StructuredTool即可实现，适用于大多数用例；
LangChain Runnables：接受字符串或字典输入的LangChain Runnables可以使用as_tool方法转换为工具，该方法允许为参数指定名称、描述和其他模式信息；
继承BaseTool类：通过从BaseTool进行子类化来定义自定义工具。这提供了对工具定义的最大控制，但需要编写更多的代码。

对于大多数用例，从函数创建工具可能已经足够，可以通过简单的 @tool 装饰器实现。如果需要更多配置（例如，同时指定同步和异步实现），还可以使用StructuredTool.from_function类方法。LangChain还可以通过子类化BaseTool类或使用LangChain Runnables创建工具，但通常建议在大多数情况下使用@tool装饰器。

工具更多信息请参考工具（Tools）；有关@tool的详细信息和示例，请参阅：API reference for @tool以获取更多详情，从Runnables创建工具请参阅：How to convert Runnables to Tools，有关子类化BaseTool和StructuredTool请参阅：how to create custom tools guide指南中的示例。下面讲述通过函数创建工具的两种方法：装饰器@tool和StructuredTool。