企业官网建设流程全解析

7. 聊天模型-搜索工具与内置工具

在前一小节内容中，我们学会了如何用@tool和StructuredTool自定义工具。然而，很多常用功能（搜索、数据库查询、网页浏览等）LangChain 已经内置集成——我们可以直接使用，无需从零手写。

1. LangChain 内置工具生态

1.1 BaseTool 与 BaseToolkit

LangChain 中的所有工具都基于两个基类：

在 LangChain 的源码Lib/site-packages/中全局搜索BaseTool和BaseToolkit，可以看到所有已继承实现的内置工具：

1.2 如何查找和使用内置工具

1. 在 LangChain API Reference 中搜索工具类名
2. 查看对应工具的文档，了解初始化参数和用法
3. 按需安装对应的集成包（如langchain-tavily、langchain-community等）

2. TavilySearch 搜索引擎

2.1 Tavily 简介

这里我们以 TavilySearch 为例介绍一下如何使用内置工具：

支持获取最新、最实时的网络信息
Tavily 是一个专为 AI 智能体设计的搜索引擎，和传统搜索引擎（如 Google、Bing）不同，它的核心优势在于：专为 LLM 检索与推理需求打造，返回结构化、可解析的搜索结果、显著优于传统搜索引擎的语义相关性理解能力、返回 JSON 格式数据，便于直接用于后续推理和生成流程、

Tavily 官网：https://www.tavily.com/

2.2 申请 API Key

在 Tavily 官网登录（支持 Google 账号登录），进入 API Keys 页面：

点击添加新 Key，填写名称后 Create，创建后复制保存该 Key（与 OpenAI API Key 类似，关闭后不再显示）。

2.3 API Playground 测试

在左侧 API Playground 中可以选择已创建的 Key，模拟搜索请求测试效果：

Playground 会返回完整的搜索结果，包括标题、链接、摘要等结构化数据，并展示对应的 Python 调用代码。

2.4 UseCases 演示

左侧 UseCases 中提供了多种集成场景：

例如 Chat 模式——输入"北京今天的天气怎么样？"，搜索引擎自动获取最新天气信息，系统再结合 LLM 生成自然语言回答。

3. 代码接入 TavilySearch

3.1 安装依赖

pipinstall-Ulangchain-tavily

3.2 配置环境变量

将申请的 API Key 配置为环境变量TAVILY_API_KEY：

# Windows 命令提示符setTAVILY_API_KEY=your_api_key_here# 或在 Python 代码中直接设置importos os.environ["TAVILY_API_KEY"]="your_api_key_here"

3.3 基础使用示例

fromlangchain_openaiimportChatOpenAIfromlangchain_core.messagesimportHumanMessagefromlangchain_tavilyimportTavilySearch# 1. 定义模型model=ChatOpenAI(model="gpt-4o-mini")# 2. 定义搜索工具（max_results 控制返回结果数量）tool=TavilySearch(max_results=4)# 3. 绑定工具到模型model_with_tools=model.bind_tools([tool])# 4. 用户提问messages=[HumanMessage("北京今天的天气怎么样？")]# 5. 模型决定调用搜索工具ai_message=model_with_tools.invoke(messages)messages.append(ai_message)# 6. 执行工具调用，获取搜索结果fortool_callinai_message.tool_calls:tool_message=tool.invoke(tool_call)messages.append(tool_message)# 7. 模型根据搜索结果生成自然语言回答print(model.invoke(messages).content)

3.4 运行效果

运行上述代码，模型会依次经历以下流程：

输出示例：

今天的北京天气如下：温度大约在18.3摄氏度左右，有微风。以下是详细天气预报及相关链接： - 当前气温：18.3°C，天气状况：多云... - 更多信息请参考：[链接1] [链接2] ...

3.5 与工具调用流程的衔接

本示例与上一小节中完整工具调用流程完全一致：

1. 定义工具-> 这里使用的是TavilySearch（而非@tool自定义工具）
2. 绑定工具->model.bind_tools([tool])，与自定义工具绑定方式相同
3. 模型选择工具-> LLM 根据"天气"等关键词自动选择搜索工具
4. 执行工具->tool.invoke(tool_call)，返回ToolMessage
5. 组装消息列表->HumanMessage+AIMessage+ToolMessage
6. 最终回复-> 模型结合搜索结果生成自然语言回答

Tip:内置工具即拿即用
TavilySearch本身就是一个BaseTool实例，可直接调用tool.invoke()，也支持.name、.description、.args等工具属性，与自定义工具完全兼容。

4. 搜索工具 + 结构化输出预览

TavilySearch 不仅仅可以配合自然语言回答使用，还可以和with_structured_output()方法结合，直接输出结构化的结果对象。

下面的示例演示了搜索后如何将结果解析为SearchResult模型：

fromlangchain_core.messagesimportHumanMessagefromlangchain_openaiimportChatOpenAIfromlangchain_tavilyimportTavilySearchfrompydanticimportBaseModel,FieldclassSearchResult(BaseModel):"""结构化搜索对象"""query:str=Field(description="搜索查询")findings:str=Field(description="查询结果摘要")model=ChatOpenAI(model="gpt-4o-mini")tool=TavilySearch(max_results=4)model_with_tools=model.bind_tools([tool])messages=[HumanMessage("北京今天的天气怎么样？")]ai_message=model_with_tools.invoke(messages)messages.append(ai_message)fortool_callinai_message.tool_calls:tool_message=tool.invoke(tool_call)messages.append(tool_message)# 将结果解析为结构化输出model_with_structured=model_with_tools.with_structured_output(SearchResult)result=model_with_structured.invoke(messages)print(result)# 输出示例: SearchResult(query='北京天气', findings='北京今日多云，18~28°C...')

关于with_structured_output()的完整用法（Pydantic / TypedDict / JSON Schema 三种定义方式），将在下一讲中详细展开。

5. 总结

学习了如何在 LangChain 中使用内置工具和搜索引擎：

搜索结果 |
|接入流程| 安装包 → 配置 API Key →TavilySearch()定义工具 →bind_tools()绑定 |
|与自定义工具对比| 内置工具使用方法与@tool自定义工具完全相同 |
|结构化输出预览| 搜索工具可与with_structured_output()配合，直接解析为 Pydantic 对象 |

主要内容到这里就结束啦