企业官网建设流程全解析

现有项目智能体加持：从天气查询功能到大模型工具封装

前言

假设你已经有一个简单的天气查询功能，如何把它变成大模型可以调用的工具？本文将带你完成从普通函数到大模型工具的完整封装过程。

第一步：实现天气查询功能

首先，我们有一个简单的天气查询函数：

# weather_service.pyimportrequestsdefget_weather(city:str)->str:""" 查询指定城市的天气信息 Args: city: 城市名称（中文或拼音） Returns: 天气信息字符串 """# 使用公开的天气API（这里模拟实现）api_url=f"https://api.example.com/weather?city={city}"try:response=requests.get(api_url)data=response.json()# 提取关键信息weather_info={"城市":data.get("city",city),"温度":f"{data.get('temp','未知')}°C","湿度":f"{data.get('humidity','未知')}%","天气":data.get("weather","未知"),"风速":f"{data.get('wind_speed','未知')}m/s"}# 格式化输出result="\n".join([f"{k}:{v}"fork,vinweather_info.items()])returnresultexceptExceptionase:returnf"查询天气失败：{str(e)}"# 测试功能if__name__=="__main__":print(get_weather("北京"))

输出示例：

城市: 北京 温度: 26°C 湿度: 65% 天气: 晴 风速: 3.2 m/s

第二步：封装成大模型工具

要让大模型能够调用这个函数，需要添加工具描述信息。在 LangChain 中，这非常简单：

# weather_tool.pyfromlangchain_core.toolsimporttoolimportrequests@tooldefget_weather(city:str)->str:""" 查询指定城市的实时天气信息 Args: city: 城市名称，可以是中文（如"北京"）或拼音（如"beijing"） Returns: 包含城市、温度、湿度、天气状况、风速的详细信息字符串 """api_url=f"https://api.example.com/weather?city={city}"try:response=requests.get(api_url)data=response.json()weather_info={"城市":data.get("city",city),"温度":f"{data.get('temp','未知')}°C","湿度":f"{data.get('humidity','未知')}%","天气":data.get("weather","未知"),"风速":f"{data.get('wind_speed','未知')}m/s"}return"\n".join([f"{k}:{v}"fork,vinweather_info.items()])exceptExceptionase:returnf"查询天气失败：{str(e)}"

关键变化：

1. 添加了@tool装饰器
2. 函数文档字符串变得更详细（大模型需要这些信息来理解工具）

第三步：创建智能体并绑定工具

现在让大模型知道这个工具，并学会调用它：

# weather_agent.pyfromlangchain_openaiimportChatOpenAIfromlangchain.agentsimportcreate_tool_calling_agent,AgentExecutorfromlangchain_core.promptsimportChatPromptTemplate,MessagesPlaceholderfromweather_toolimportget_weather# 1. 初始化大模型（使用本地 Ollama）llm=ChatOpenAI(base_url="http://localhost:11434/v1/",api_key="ollama",model="qwen3.5:4b")# 2. 定义工具列表tools=[get_weather]# 3. 定义系统提示词prompt=ChatPromptTemplate.from_messages([("system","你是一个专业的天气助手。当用户询问天气时，请调用 get_weather 工具获取天气信息，然后用友好的语言总结给用户。"),("user","{input}"),MessagesPlaceholder(variable_name="agent_scratchpad"),])# 4. 创建智能体agent=create_tool_calling_agent(llm,tools,prompt)# 5. 创建执行器agent_executor=AgentExecutor(agent=agent,tools=tools,verbose=True)# 测试智能体if__name__=="__main__":result=agent_executor.invoke({"input":"北京今天天气怎么样？"})print("\n=== 最终回复 ===")print(result["output"])

第四步：运行效果演示

用户输入：

北京今天天气怎么样？

智能体执行过程（verbose 模式）：

> 我需要调用 get_weather 工具来查询北京的天气。 > 正在调用工具: get_weather(city="北京") > 工具返回: 城市: 北京 温度: 26°C 湿度: 65% 天气: 晴 风速: 3.2 m/s > 我已经获取到北京的天气信息，可以总结给用户了。

最终回复：

北京今天天气晴朗，温度26°C，湿度65%，风速3.2 m/s。天气不错，适合外出活动！

工具封装的核心要素

工具描述三要素

一个好的工具描述需要包含：

1. 功能说明：工具能做什么
2. 参数定义：需要什么输入，格式是什么
3. 返回说明：输出是什么格式

@tooldefyour_tool(param1:str,param2:int)->str:""" 工具功能的详细描述（大模型会阅读这段文字来决定是否调用） Args: param1: 参数1的说明，包括格式要求 param2: 参数2的说明，包括取值范围 Returns: 返回值的格式和内容说明 """# 函数实现pass

工具的作用和意义

完整项目结构

weather_agent/ ├── weather_service.py # 原始天气服务 ├── weather_tool.py # 封装后的工具 ├── weather_agent.py # 智能体主程序 └── requirements.txt # 依赖配置

requirements.txt：

langchain langchain-openai requests

进阶：多个工具组合

当你有多个工具时，智能体会自动选择合适的工具：

# 新增工具示例@tooldefget_news(topic:str)->str:"""获取指定主题的最新新闻"""# 实现...pass@tooldefcalculate(expression:str)->str:"""计算数学表达式"""# 实现...pass# 更新工具列表tools=[get_weather,get_news,calculate]# 测试result=agent_executor.invoke({"input":"上海明天天气怎么样？还有最近的科技新闻有哪些？"})

智能体会自动：

1. 识别需要调用两个工具
2. 先调用 get_weather(“上海”)
3. 再调用 get_news(“科技”)
4. 综合两个结果回复用户

封装流程总结

普通函数 → 添加 @tool 装饰器 → 编写详细文档 → 绑定到智能体 → 大模型自动调用

工具调用的价值

1. 从"只能说"到"能做事"：大模型不再只是聊天，而是可以执行实际操作
2. 连接虚拟与现实：把AI的推理能力和现实世界的数据、服务连接起来
3. 构建智能工作流：多个工具组合可以实现复杂的自动化任务