LangChain-KR项目解析：如何为LLM绑定工具实现功能扩展

霍忻念

于 2025-06-28 09:15:27 发布

阅读量322

点赞数 5

CC 4.0 BY-SA版权

本文链接：https://blog.csdn.net/gitblog_00436/article/details/148970669

LangChain-KR项目解析：如何为LLM绑定工具实现功能扩展

引言

在现代AI应用开发中，大型语言模型(LLM)虽然强大，但自身能力有限。LangChain提供了一种优雅的解决方案，通过工具绑定(binding tools)机制，让LLM能够调用外部功能，极大地扩展了其应用场景。本文将深入解析LangChain-KR项目中工具绑定的实现原理和使用方法。

工具绑定的基本原理

工具绑定是指将外部功能(工具)与LLM模型关联的过程，使得模型能够根据需求自动调用这些工具。其核心原理包括：

工具定义：创建可被LLM调用的功能函数
模式绑定：将工具的模式描述绑定到LLM模型
调用解析：解析LLM的输出，确定需要调用的工具
执行反馈：执行工具并将结果返回给LLM

工具定义实践

在LangChain中，工具通过@tool装饰器定义。以下是三种典型工具示例：

@tool
def get_word_length(word: str) -> int:
    """返回单词的长度"""
    return len(word)

@tool
def add_function(a: float, b: float) -> float:
    """将两个数字相加"""
    return a + b

@tool
def naver_news_crawl(news_url: str) -> str:
    """爬取Naver新闻文章并返回正文内容"""
    # 实现爬虫逻辑
    return news_content

最佳实践建议：

为每个工具编写清晰的docstring
明确定义输入参数类型和返回值类型
工具函数应保持单一职责原则

工具绑定实现步骤

1. 创建基础LLM模型

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4", temperature=0)

2. 绑定工具到模型

llm_with_tools = llm.bind_tools(tools)

绑定后的模型会在每次调用时自动包含工具的模式信息。

3. 解析工具调用结果

from langchain_core.output_parsers.openai_tools import JsonOutputToolsParser

chain = llm_with_tools | JsonOutputToolsParser(tools=tools)

4. 执行工具调用

def execute_tool_calls(tool_call_results):
    for tool_call in tool_call_results:
        tool_name = tool_call["type"]
        tool_args = tool_call["args"]
        # 查找并执行对应工具
        ...

完整工作流程示例

将上述步骤整合为一个完整的工作链：

# 构建完整工作链
chain = (
    llm.bind_tools(tools) 
    | JsonOutputToolsParser(tools=tools) 
    | execute_tool_calls
)

# 执行查询
chain.invoke("What is the length of 'langchain'?")

进阶应用：Agent与AgentExecutor

对于更复杂的场景，可以使用Agent模式：

from langchain.agents import create_tool_calling_agent, AgentExecutor

# 创建Agent
agent = create_tool_calling_agent(llm, tools, prompt)

# 创建执行器
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True
)

# 执行复杂任务
result = agent_executor.invoke({
    "input": "计算114.5 + 121.2 + 34.2 + 110.1的值"
})

AgentExecutor的优势在于：