在 LangChain 中，Agent 是一个 AI 实体，它与各种工具交互以执行任务或回答查询。工具本质上是通过允许 Agent 执行特定操作（例如检索当前时间或访问外部数据库）来扩展 Agent 功能的功能。
可以将工具传递给支持工具调用的聊天模型，从而允许模型请求执行具有特定输入的特定函数。
工具接口在 BaseTool 类中定义，它是 Runnable 接口的子类。
与工具模式相对应的关键属性：
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。
执行与工具关联的函数的关键方法：
创建工具的推荐方式是使用 @tool 装饰器。此装饰器旨在简化工具创建过程，支持以下内容：
自动推断工具的名称、描述和输入，同时还支持自定义。
定义返回工件（例如图像、dataframe 等）的工具。
使用注入的工具参数隐藏模式中的输入参数（从而隐藏模型中的输入参数）。
定义函数后，你可以使用 @tool 装饰它以创建实现工具接口的工具：
@tool 装饰器提供了其他选项来配置工具的模式（例如，修改名称、描述或解析函数的文档字符串以推断架构）。可以去参考官方文档：
https://python.langchain.com/api_reference/core/tools/langchain_core.tools.convert.tool.html
定义工具后，可以通过调用函数直接使用它：
我们还可以检查该工具的模式和其他属性：
在设计模型使用的工具时，请牢记以下几点：
许多 AI 应用程序直接与人类交互。在这些情况下，模型以自然语言做出响应是合适的。但是，如果我们希望模型也直接与系统（例如数据库或 API）交互，该怎么办？这些系统通常具有特定的输入模式；例如，API 通常具有必需的访问请求体。这种需求催生了工具调用（也称为函数调用）的概念。我们可以使用工具调用来请求与特定模式匹配的模型响应。
创建工具：使用 @tool 装饰器创建工具。
绑定工具：工具需要连接到支持工具调用的模型。这使模型能够了解工具以及工具所需的相关输入模式。
调用工具：在适当的情况下，模型可以决定调用工具并确保其响应符合工具的输入模式。
执行工具：可以使用模型提供的参数执行工具。工具实现了 Runnable 接口，这意味着它们可以被直接调用（例如，tool.invoke(args)）。
下面的伪代码说明了使用工具调用的推荐工作流程。创建的工具以列表形式传递给 .bind_tools() 方法。可以像往常一样调用此模型。如果进行了工具调用，模型的响应将包含工具调用参数。工具调用参数可以直接传递给工具。
LangChain 提供了一个标准化接口，用于将工具连接到模型。可以使用 .bind_tools() 方法指定模型可以调用哪些工具。
工具调用的一个关键原则是，模型根据输入的相关性决定何时使用工具。模型并不总是需要调用工具。例如，给定一个不相关的输入，模型不会调用该工具：
结果将是一个 AIMessage，其中包含模型以自然语言做出的响应（例如“你好！”）。但是，如果我们传递与工具相关的输入，模型应该选择调用它：
与之前一样，输出结果将是 AIMessage。但是，如果调用了该工具，结果将具有 tool_calls 属性。此属性包含执行该工具所需的所有内容，包括工具名称和输入参数：
文章来源：PyTorch研习社
粤ICP备14082021号
免费POC，
零成本试错
