企业官网建设流程全解析

目录

摘要

一.什么是Tools？

1.含义

2.示意图

二.自定义工具：从函数到 Tool

1.定义普通函数

2.使用 @tool 装饰器改造

三.实战：构建天气查询工具

1.准备工作

2.编写Tool代码

3.创建agent时，带上该Tool

4.调用agent，询问某城市的天气即可

5.运行结果与验证

四.总结与展望

摘要

本文将深入浅出地介绍如何利用 LangChain 框架，将一个简单的 Python 函数改造成大模型可用的“Tool”，并实战接入免费天气 API。通过本文，你将掌握扩展大模型能力的核心方法，解决大模型无法实时获取外部数据的痛点。

一.什么是Tools？

1.含义

在大模型（LLM）的应用开发中，Tools（工具）是赋予大模型“手脚”和“感官”的关键组件。大模型本身虽然知识渊博，但其知识是静态的（截止到训练数据的时间），且无法主动与外部世界交互（如查询实时天气、操作数据库）。

Tools 的核心价值在于，它允许我们将外部 API、Python 函数或数据库查询封装成标准格式，让大模型根据用户需求自主选择并调用这些工具，从而获取实时信息或执行特定操作。这极大地拓展了大模型的能力边界，使其从一个“聊天机器人”进化为一个能够“办事”的智能代理（Agent）。

一个完整的Agent至少要包含两个关键的部分：

• 模型：是Agent的大脑，负责推理、分析，规划任务步骤

• 工具：是Agent的手脚，负责执行任务，与外界交互

2.示意图

二.自定义工具：从函数到 Tool

将一个普通函数改造成 LangChain 可识别的 Tool，核心步骤非常简单，主要分为两步：定义函数逻辑和添加装饰器与描述。

1.定义普通函数

首先，我们编写一个实现具体功能的 Python 函数。例如，一个计算平方根的简单函数：

def square_root(x: float) -> float: return x ** 0.5

2.使用@tool装饰器改造

接着，我们导入langchain.tools模块中的@tool装饰器，并为函数添加详细的说明文档（Docstring）。这一步至关重要，因为大模型正是通过这些说明来理解工具的用途和参数含义。

关键动作：

• 使用@tool修饰
• 添加函数的说明文档

from langchain.tools import tool @tool def square_root(x: float) -> float: """计算指定数字的平方根。 Args: x (float): 需要计算平方根的数字。 Returns: float: 输入数字的平方根。 """ return x ** 0.5

三.实战：构建天气查询工具

接下来，我们将通过一个完整的实战案例，演示如何构建一个能够查询实时天气的 Tool。

1.准备工作

• 目标：获取指定城市的实时天气信息。
• API 选择：本文选用https://uapis.cn/api/v1/misc/weather这个API，查询天气详情

2.编写Tool代码

我们将使用requests库调用 API，并利用@tool装饰器将其封装。代码中包含了详细的异常处理，以确保工具的健壮性。

from langchain.tools import tool import requests @tool def getWeather(location: str) -> str: """ 该方法用于获取指定地区（location）的天气情况。 Args: location (str): 省份名或市名。 Returns: str: 包含天气状况、气温、风力、湿度等信息的自然语言描述。 """ url = "https://uapis.cn/api/v1/misc/weather" try: # 发送GET请求，将城市名作为参数传递，并设置超时时间为5秒 response = requests.get(url, params={"city": location}, timeout=5) # 检查HTTP状态码，如果请求失败则抛出异常 response.raise_for_status() # 解析返回的JSON数据 data = response.json() # 根据实际返回的JSON格式提取各项数据 city_name = data.get("city", location) weather = data.get("weather", "未知") temperature = data.get("temperature", "未知") wind_direction = data.get("wind_direction", "") wind_power = data.get("wind_power", "") humidity = data.get("humidity", "") report_time = data.get("report_time", "") # 拼接返回的自然语言字符串 result = ( f"{city_name} 当前天气：{weather}，气温：{temperature}℃，" f"{wind_direction}{wind_power}，相对湿度：{humidity}%。" f"（{report_time}）" ) return result except requests.exceptions.Timeout: return f"请求超时，无法获取 {location} 的天气信息。" except requests.exceptions.RequestException as e: return f"查询失败：{e}" except Exception as e: return f"解析天气数据时发生错误：{e}"

3.创建agent时，带上该Tool

在创建 Agent 时，我们将getWeather工具传入。这样，当用户提问天气相关问题时，Agent 就能自动调用该工具并返回结果。

from langchain.messages import HumanMessage, AIMessage from langchain.agents import create_agent from dotenv import load_dotenv # 1. 加载项目根目录下的 .env 文件,这样就可以让Langchain自动获取.env文件中的apikey了 load_dotenv() # 2. 创建Agent agent = create_agent( model="deepseek-chat", tools=[getWeather] # 关键的一步：创建agent时，可以指定已创建的Tools )

4.调用agent，询问某城市的天气即可

# 3.调用Agent，发送消息 for token, metadata in agent.stream( {"messages": [HumanMessage(content="深圳的天气怎么样?")]}, stream_mode="messages" ): print(token.content, end="", flush=True)

5.运行结果与验证

先询问一下“深圳”的天气

好的，我来查询一下深圳的天气情况。深圳市 当前天气：晴，气温：27℃，南风2级，相对湿度：82%。（10 分钟前发布）深圳现在的天气情况如下： 🌤 **天气状况：** 晴 🌡 **气温：** 27℃ 🌬 **风力：** 南风2级 💧 **相对湿度：** 82% 总体来看，深圳目前天气晴朗，气温舒适，适合外出活动，不过由于湿度较大，体感可能会有些闷热，建议注意适当补水哦！

此时经过对比发现，大模型返回的结果，和我们自己用ApiFox调免费接口的结果一致，可见此时Tools生效了。

再换个城市试试

好的，我来查询廊坊的天气情况。廊坊市 当前天气：晴，气温：28℃，西南风3级，相对湿度：60%。（11 分钟前发布）廊坊当前的天气情况如下： - 🌤 **天气状况**：晴 - 🌡 **气温**：28℃ - 🌬 **风力**：西南风3级 - 💧 **相对湿度**：60% 总体来说，廊坊现在是晴朗的好天气，气温舒适宜人，适合外出活动。不过相对湿度60%稍微有点闷，可以适当补充水分哦！

可见此时廊坊的天气情况，大模型也能根据该天气API做出回答，可见此时Tools也生效了。

四.总结与展望

通过本文的实战，我们成功构建了一个功能完备的天气查询 Tool。这不仅解决了大模型无法获取实时信息的局限，也展示了如何通过代码扩展模型的能力。

后续优化方向：

1. 自定义数据源：你可以将 Tool 的后端逻辑替换为自己的 Web API 或数据库查询（Mapper），让大模型成为你私有数据的智能入口。
2. 优化提示词（Prompt Engineering）：通过编写更精准的系统提示词，可以引导大模型以更美观、更符合业务需求的格式返回工具调用结果。
3. 集成更多工具：将多个工具组合起来，你的 Agent 就能完成更复杂的任务，例如“帮我查一下明天北京的天气，如果下雨就帮我订一把伞”。

掌握 Tool 的开发与集成，是构建强大、实用的 AI 应用的关键一步。希望本文能为你提供清晰的指引和启发。

以上就是本篇文章的全部内容，喜欢的话可以留个免费的关注呦~~~