【LangChain 】工具（Tools）：为语言模型（LLM）或代理（Agents）提供外部功能或数据的接口

于 2025-05-11 10:16:30 发布
阅读量707 收藏 25
点赞数 11
分类专栏： LangChain 文章标签： langchain Tools 工具 Agents 代理 LLM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013172930/article/details/147856475
版权

在 LangChain 中，工具（Tools） 是为语言模型（LLM）或代理（Agents）提供外部功能或数据的接口，扩展了模型的能力，使其能够执行复杂任务，例如搜索、计算、数据库查询或与 API 交互。工具是 LangChain 生态中实现交互性和动态推理的关键组件，尤其在代理架构中，用于处理需要外部资源或特定操作的任务。

以下是对 LangChain 工具的详细介绍，涵盖其定义、类型、工作原理、实现方式、应用场景、代码示例、优化建议以及与生态系统的结合。

1. 什么是 LangChain 的工具？

工具是 LangChain 中的模块化组件，允许代理或链调用外部服务、执行操作或访问数据。工具的核心功能是：

  • 输入：接收代理或用户的指令（通常是字符串或结构化数据）。
  • 执行：调用外部功能（如 API、数据库、计算逻辑）。
  • 输出：返回结果（通常是字符串或结构化数据），供代理或链进一步处理。

工具在以下场景中扮演重要角色：

  • 增强模型能力：弥补语言模型在数学、实时数据或特定领域知识上的不足。
  • 动态交互：让代理根据任务选择和调用合适的工具。
  • 自动化工作流：实现复杂任务的分步执行（如搜索后总结）。

工具通常与 代理（Agents） 结合，通过 ReAct（推理+行动）或其他推理框架动态选择和调用。

2. 工具的工作原理

工具的工作流程如下：

  1. 定义工具：指定工具的名称、描述和执行逻辑（函数或类）。
  2. 注册工具：将工具提供给代理或链，代理根据任务描述选择工具。
  3. 调用工具：代理生成工具调用的指令（包括输入参数），工具执行并返回结果。
  4. 处理结果：代理或链将工具输出整合到工作流中，生成最终响应。

工具的核心依赖：

  • 工具描述：帮助代理理解工具的功能和适用场景。
  • 输入解析：确保工具能正确处理代理提供的输入。
  • 输出格式：工具返回的结果应与代理或链的期望兼容。

3. LangChain 工具的类型

LangChain 提供了多种内置工具，同时支持自定义工具。以下是主要工具类型的详细介绍：

(1) 内置工具

LangChain 提供了一系列开箱即用的工具，通常在 langchain_community.tools 或特定集成包中。

(a) SerpAPI
  • 功能：通过 SerpAPI 调用 Google 搜索，获取实时网页结果。
  • 特点：
    • 适合获取最新信息（如新闻、趋势）。
    • 返回结构化搜索结果。
  • 适用场景：
    • 实时问答。
    • 研究或信息收集。
  • 安装：
    pip install langchain-community google-search-results
  • 示例：
    from langchain_community.tools import SerpAPIWrapper
import os

os.environ["SERPAPI_API_KEY"] = "your-serpapi-key"
search = SerpAPIWrapper()
result = search.run("量子计算的最新进展")
print(result)
(b) Wikipedia
  • 功能：查询 Wikipedia 的内容。
  • 特点：
    • 适合获取百科知识。
    • 返回简洁的页面摘要或全文。
  • 适用场景：
    • 通用知识查询。
    • 教育或背景研究。
  • 安装：
    pip install wikipedia
  • 示例：
    from langchain_community.tools import WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper

wikipedia = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())
result = wikipedia.run("量子计算")
print(result)
(c) Arxiv
  • 功能：查询 Arxiv 学术论文。
  • 特点：
    • 返回论文摘要、标题等信息。
    • 适合学术研究。
  • 适用场景：
    • 检索最新研究成果。
    • 学术问答。
  • 安装：
    pip install arxiv
  • 示例：
    from langchain_community.tools import ArxivQueryRun

arxiv = ArxivQueryRun()
result = arxiv.run("quantum computing")
print(result)
(d) PythonREPL
  • 功能：执行 Python 代码，适合计算或编程任务。
  • 特点：
    • 在安全沙箱中运行代码。
    • 返回代码执行结果。
  • 适用场景：
    • 数学计算。
    • 数据处理。
  • 示例：
    from langchain_community.tools import PythonREPLTool

python_repl = PythonREPLTool()
result = python_repl.run("print(2 + 2)")
print(result)
(e) DuckDuckGoSearch
  • 功能：通过 DuckDuckGo 搜索引擎获取网页结果。
  • 特点：
    • 隐私友好，无需 API 密钥。
    • 返回简洁的搜索结果。
  • 适用场景：
    • 替代 Google 搜索。
    • 快速信息检索。
  • 安装：
    pip install duckduckgo-search
  • 示例：
    from langchain_community.tools import DuckDuckGoSearchRun

search = DuckDuckGoSearchRun()
result = search.run("量子计算")
print(result)
(f) Other Built-in Tools
  • Wolfram Alpha：数学和科学计算。
  • Zapier：自动化工作流集成。
  • Tavily Search：优化的研究搜索。
  • File System Tools：读写本地文件。
  • SQL Database Tools：查询数据库。
  • 安装示例：
    pip install wolframalpha zapier

(2) 工具包（Toolkits）

工具包是针对特定领域的工具集合，包含多个相关工具。

(a) SQLDatabaseToolkit
  • 功能：提供数据库操作工具（如查询、表描述）。
  • 适用场景：从数据库中检索结构化数据。
  • 示例：
    from langchain_community.agent_toolkits import SQLDatabaseToolkit
from langchain_community.utilities import SQLDatabase
from langchain_openai import ChatOpenAI

db = SQLDatabase.from_uri("sqlite:///example.db")
llm = ChatOpenAI(api_key="your-openai-key")
toolkit = SQLDatabaseToolkit(db=db, llm=llm)
tools = toolkit.get_tools()
print([tool.name for tool in tools])  # 列出工具
(b) JsonToolkit
  • 功能：操作 JSON 数据（如查询、修改）。
  • 适用场景：处理 API 返回的 JSON 数据。
  • 示例：
    from langchain_community.agent_toolkits import JsonToolkit
from langchain_community.tools.json.tool import JsonSpec

json_data = {"name": "Alice", "age": 30}
json_spec = JsonSpec(dict_=json_data)
toolkit = JsonToolkit(spec=json_spec)
tools = toolkit.get_tools()
(c) Other Toolkits
  • OpenAPIToolkit：调用 OpenAPI 规范的 API。
  • ZapierToolkit：集成 Zapier 自动化。
  • VectorStoreToolkit：操作向量存储。

(3) 自定义工具

开发者可以通过 Tool 类或 @tool 装饰器创建自定义工具。

(a) 使用 Tool 类
  • 示例：
    from langchain_core.tools import Tool

def calculator(expression: str) -> str:
    return str(eval(expression))

calc_tool = Tool(
    name="Calculator",
    func=calculator,
    description="执行数学计算，输入为数学表达式（如 '2 + 2'）。"
)
result = calc_tool.run("2 + 2")
print(result)  # 输出：4
(b) 使用 @tool 装饰器
  • 示例：
    from langchain_core.tools import tool

@tool
def calculator(expression: str) -> str:
    """执行数学计算，输入为数学表达式（如 '2 + 2'）。"""
    return str(eval(expression))

result = calculator.run("2 + 2")
print(result)  # 输出：4
© 结构化工具
  • 功能：支持结构化输入（如 JSON Schema），适合复杂任务。
  • 示例：
    from langchain_core.tools import StructuredTool
from pydantic import BaseModel

class CalcInput(BaseModel):
    a: float
    b: float

def add_numbers(input: CalcInput) -> float:
    return input.a + input.b

calc_tool = StructuredTool.from_function(
    func=add_numbers,
    name="Adder",
    description="将两个数字相加。"
)
result = calc_tool.run({"a": 2, "b": 3})
print(result)  # 输出：5

4. 工具的应用场景

工具在以下场景中广泛应用：

  1. 实时信息检索：
    • 使用 SerpAPI 或 DuckDuckGoSearch 获取最新数据。
    • 示例：回答“今天的天气”。
  2. 数学与计算：
    • 使用 PythonREPL 或 Wolfram Alpha 执行计算。
    • 示例：解决复杂数学问题。
  3. 数据库查询：
    • 使用 SQLDatabaseToolkit 从数据库提取数据。
    • 示例：查询销售记录。
  4. 自动化工作流：
    • 使用 ZapierToolkit 触发外部动作。
    • 示例：发送邮件或更新 CRM。
  5. 学术研究：
    • 使用 Arxiv 或 Wikipedia 获取知识。
    • 示例：查询最新论文。
  6. 文件操作：
    • 使用文件系统工具读写文件。
    • 示例：分析日志文件。
  7. 自定义任务：
    • 使用自定义工具实现特定功能。
    • 示例：调用公司内部 API。

5. 工具的实现与代码示例

综合示例：代理使用多种工具

以下是一个代理结合搜索和计算工具的示例：

from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, AgentType
from langchain_core.tools import Tool
from langchain_community.tools import DuckDuckGoSearchRun

# 定义自定义工具
def calculator(expression: str) -> str:
    return str(eval(expression))

calc_tool = Tool(
    name="Calculator",
    func=calculator,
    description="执行数学计算，输入为数学表达（如 '2 + 2'）。"
)

# 初始化内置工具
search_tool = DuckDuckGoSearchRun()

# 工具列表
tools = [calc_tool, search_tool]

# 初始化代理
llm = ChatOpenAI(api_key="your-openai-key")
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent_type=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 执行任务
result = agent.invoke("计算 5 + 3 并搜索量子计算的最新进展")
print(result)

输出：

[AgentExecutor] 正在执行...
[Tool: Calculator] 输入：5 + 3
[Tool Output] 8
[Tool: DuckDuckGoSearch] 输入：量子计算的最新进展
[Tool Output] 量子计算的最新研究...
[Final Answer] 计算结果为 8，量子计算的最新进展包括...

6. 工具的优化建议

(1) 提高工具选择准确性

  • 清晰的描述：
    • 工具描述应明确功能和输入格式。
    • 示例：description="搜索网页，返回最新信息。输入为查询字符串。"。
  • 结构化输入：
    • 使用 StructuredTool 确保输入格式正确。
    • 示例：定义 Pydantic 模型验证输入。
  • 工具数量：
    • 限制工具数量（通常少于 10 个），避免代理选择困难。

(2) 提高性能

  • 缓存工具结果：
    • 使用 LangChain 的缓存机制。
    from langchain.globals import set_llm_cache
from langchain.cache import SQLiteCache

set_llm_cache(SQLiteCache(database_path="cache.db"))
  • 异步工具：
    • 实现异步工具以支持高并发。
    @tool
async def async_search(query: str) -> str:
    import aiohttp
    async with aiohttp.ClientSession() as session:
        async with session.get(f"https://api.example.com?q={query}") as resp:
            return await resp.text()
  • 批量处理：
    • 批量调用工具，减少开销。

(3) 错误处理

  • 回退机制：
    • 为工具配置回退。
    from langchain_core.runnables import RunnableWithFallbacks

search_tool_with_fallback = search_tool.with_fallbacks([DuckDuckGoSearchRun()])
  • 异常捕获：
    • 在工具逻辑中处理异常。
    @tool
def safe_calculator(expression: str) -> str:
    try:
        return str(eval(expression))
    except Exception as e:
        return f"计算错误：{e}"

(4) 监控与调试

  • 回调：
    • 使用回调记录工具调用。
    from langchain_core.callbacks import BaseCallbackHandler

class ToolCallback(BaseCallbackHandler):
    def on_tool_start(self, serialized, input_str, **kwargs):
        print(f"工具 {serialized['name']} 开始，输入：{input_str}")
  • LangSmith：
    • 分析工具的使用频率和性能。
    from langsmith import Client
agent.invoke(input, config={"callbacks": [Client(api_key="your-langsmith-key")]})

7. 注意事项

  • 工具描述：
    • 描述不清晰可能导致代理误选工具。
    • 确保描述简洁且明确适用场景。
  • 安全性：
    • 避免在工具中执行不安全的代码（如 eval）。
    • 使用沙箱环境（如 PythonREPL 的安全模式）。
  • 性能：
    • 工具调用可能增加延迟，需优化 API 请求或计算逻辑。
    • 缓存高频工具结果。
  • 兼容性：
    • 确保工具输出与代理或链的期望格式一致。
    • 使用 OutputParser 规范化输出。
  • 成本：
    • 外部 API（如 SerpAPI）可能产生费用，需监控使用量。
    • 优先使用免费或低成本工具（如 DuckDuckGo）。

8. 与其他模块的结合

  • 代理（Agents）：
    • 工具是代理的核心组件，通过 ReAct 推理选择工具。
    agent = initialize_agent(tools, llm, agent_type="zero-shot-react-description")
  • 链（Chains）：
    • 工具可以嵌入链中，作为工作流的一部分。
    from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt, tools=[search_tool])
  • 回调（Callbacks）：
    • 监控工具调用过程。
  • 缓存（Cache）：
    • 缓存工具结果，减少重复调用。
  • LangSmith：
    • 分析工具的性能和选择准确性。

9. 学习资源

10. 总结

  • 定义：工具是为代理或链提供外部功能的接口，扩展语言模型能力。
  • 类型：
    • 内置工具：SerpAPI, Wikipedia, Arxiv, PythonREPL, DuckDuckGoSearch 等。
    • 工具包：SQLDatabaseToolkit, JsonToolkit, OpenAPIToolkit 等。
    • 自定义工具：Tool, @tool, StructuredTool。
  • 工作原理：定义 → 注册 → 调用 → 处理结果。
  • 应用场景：信息检索、计算、数据库查询、自动化、研究、自定义任务。
  • 优化点：描述准确性、性能、错误处理、监控。
  • 注意事项：描述、安全性、性能、兼容性、成本。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

彬彬侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值