【LangChain】实战指南：从模型定义到工具调用与实时天气查询实战

from langchain_openai import ChatOpenAI

# 完整参数示例
model = ChatOpenAI(
    model="gpt-4o-mini",          # 模型名称
    temperature=0,                # 采样温度，0-2
    max_tokens=None,              # 最大生成令牌数
    timeout=None,                 # 请求超时时间
    max_retries=2,                # 最大重试次数
    # api_key="你的API_KEY",      # 不写则自动从环境变量读取
    # base_url="代理地址",         # 国内访问需要配置
    # organization="组织ID"       # OpenAI 组织 ID
)

关键参数深度解析：

temperature：控制输出的随机性

0：完全确定，适合代码生成、事实问答

0.1-0.5：轻微变化，适合技术文档、写作
0.5-1：平衡创意，适合日常对话
1-2：高度随机，适合创意创作
>2：不推荐，通常输出无意义内容

max_tokens：限制模型生成的最大长度

Token 是 LLM 处理文本的基本单位
中文：1 个汉字 ≈ 1.5-2 个 Token
英文：1 个 Token ≈ 4 个字符或 0.75 个单词

基础调用示例

from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser

# 定义消息列表
messages = [
    SystemMessage(content="请帮我进行翻译，由英文翻译成中文！"),
    HumanMessage(content="my name is xiaoming")
]

# 定义输出解析器，提取 AIMessage 中的 content
parser = StrOutputParser()

# 构建链
chain = model | parser

# 调用并打印结果
print(chain.invoke(messages))  # 输出：我的名字是小明

1.2 init_chat_model: 通用模型工厂函数

为了进一步统一模型的创建逻辑，LangChain 引入了 init_chat_model 工厂函数。它允许开发者通过传入统一的模型名称和提供商参数，动态实例化任意聊天模型，挺适合多模型配置与切换场景。

from langchain.chat_models.base import init_chat_model

# 初始化 OpenAI 模型
gpt_model = init_chat_model(
    model="gpt-4o-mini",
    model_provider="openai",
    temperature=0.3
)

# 初始化 DeepSeek 模型（兼容 OpenAI API）
deepseek_model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    api_key="你的DeepSeek_API_KEY",
    base_url="https://api.deepseek.com/v1"
)

# 测试调用
print(f"GPT-4o-mini: {gpt_model.invoke('你是谁？').content}")
print(f"DeepSeek: {deepseek_model.invoke('你是谁？').content}")

1.3 ChatOllama：本地部署模型支持

如果你想使用本地部署的开源模型（如 Llama 3、DeepSeek-R1），LangChain 提供了 ChatOllama 支持。

前置准备：

1. 安装 Ollama：https://ollama.com/
2. 拉取模型：ollama pull deepseek-r1:1.5b

from langchain_ollama import ChatOllama

# 初始化本地模型
ollama_model = ChatOllama(
    model="deepseek-r1:1.5b",
    base_url="http://127.0.0.1:11434",
    temperature=0.3
)

# 测试调用
print(ollama_model.invoke("你是谁？").content)

二、工具调用：让 LLM 连接外部世界

工具调用是 LangChain 最强大的功能之一，它让 LLM 从一个 “只会说话的模型” 变成了一个 “能做事的助手”。

2.1 工具调用的核心作用

1. 扩展能力边界：让 LLM 执行数学计算、搜索网络、操作数据库等自身无法完成的任务
2. 保证信息实时性：获取训练数据中不存在的最新信息
3. 处理繁琐任务：将繁琐请求分解为多个步骤，依次调用不同工具协同完成连接现有系统：将企业内部 API、数据库封装成工具，让 LLM 成为自然语言驱动的统一接口

2.2 定义工具的三种方式

LangChain 提供了多种定义工具的方式，核心是让 LLM 知道工具名称、工具描述、工具参数这三个关键信息。

2.2.1 方式一：@tool 装饰器（推荐）

这是最简单、最常用的工具定义方式，支持两种参数描述模式。

模式 1：Google 风格文档字符串

from langchain_core.tools import tool
from typing_extensions import Annotated

@tool
def add(
    a: Annotated[int, ..., "第一个整数"],
    b: Annotated[int, ..., "第二个整数"],
) -> int:
    """两数相加

    Args:
        a: 第一个整数
        b: 第二个整数
    """
    return a + b

# 查看工具信息
print(add.name)        # add
print(add.description) # 两数相加
print(add.args)        # {'a': {'type': 'integer', 'description': '第一个整数'}, ...}

模式 2：依赖 Pydantic 类 如果工具参数相对复杂，推荐使用 Pydantic 类定义参数 schema，提供更强的类型检查和描述能力。

from pydantic import BaseModel, Field

class AddInput(BaseModel):
    """两数相加"""
    a: int = Field(..., description="第一个整数")
    b: int = Field(..., description="第二个整数")

@tool(args_schema=AddInput)
def add(a: int, b: int) -> int:
    return a + b

2.2.2 方式二：StructuredTool 类

如果你需要更灵活的工具定义（如异步工具、自定义响应格式），可以使用 StructuredTool.from_function()。

from langchain_core.tools import StructuredTool
from typing import Tuple, List

def add(a: int, b: int) -> Tuple[str, List[int]]:
    """两数相加"""
    nums = [a, b]
    content = f"{nums}相加的结果是{a+b}"
    return content, nums

# 创建工具，区分 content 和 artifact
add_tool = StructuredTool.from_function(
    func=add,
    name="ADD",
    description="两数相加",
    args_schema=AddInput,
    response_format="content_and_artifact"
)

# 模拟大模型调用方式
result = add_tool.invoke({
    "name": "ADD",
    "args": {"a": 3, "b": 4},
    "type": "tool_call",
    "id": "111"
})

print(result)
# 输出：ToolMessage(content='[3, 4]相加的结果是7', name='ADD', tool_call_id='111', artifact=[3, 4])

2.3 工具的绑定与调用

定义好工具后，需要将工具绑定到聊天模型，随后按照 “工具选择 → 工具执行 → 结果总结” 的流程调用。

完整工具调用流程

from langchain_core.messages import HumanMessage, AIMessage, ToolMessage

# 定义两个工具
@tool
def add(a: int, b: int) -> int:
    """两数相加"""
    return a + b

@tool
def multiply(a: int, b: int) -> int:
    """两数相乘"""
    return a * b

# 1. 绑定工具到模型
tools = [add, multiply]
model_with_tools = model.bind_tools(tools=tools)

# 2. 第一步：让模型选择工具
messages = [HumanMessage(content="2乘3等于多少？")]
ai_msg = model_with_tools.invoke(messages)
messages.append(ai_msg)

# 查看模型返回的工具调用信息
print(ai_msg.tool_calls)
# 输出：[{'name': 'multiply', 'args': {'a': 2, 'b': 3}, 'id': 'call_xxx', 'type': 'tool_call'}]

# 3. 第二步：执行工具调用
for tool_call in ai_msg.tool_calls:
    # 根据工具名称选择对应的工具
    selected_tool = {"add": add, "multiply": multiply}[tool_call["name"].lower()]
    tool_msg = selected_tool.invoke(tool_call)
    messages.append(tool_msg)

# 4. 第三步：让模型根据工具结果生成最终回答
final_result = model_with_tools.invoke(messages)
print(final_result.content)
# 输出：2乘3等于6。

强制调用工具

默认情况下，模型会根据输入内容自动决定是否调用工具。如果你想强制模型调用某个工具，可以使用 tool_choice 参数。

# 强制调用任意一个工具
model_with_tools = model.bind_tools(tools=tools, tool_choice="any")

# 强制调用指定工具
model_with_tools = model.bind_tools(tools=tools, tool_choice={"type": "function", "function": {"name": "add"}})

三、实战：集成 Tavily 搜索引擎实现实时天气查询

Tavily 是一个专门为 AI 设计的搜索引擎，专为智能体检索与推理需求量身打造，可以以结构化形式返回搜索结果。

3.1 环境准备

1. 注册 Tavily 账号并获取 API Key：https://www.tavily.com/
2. 配置系统环境变量 TAVILY_API_KEY 为你的 API Key
3. 安装依赖包：

pip install langchain-tavily langchain-openai

3.2 完整代码实现

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from langchain_tavily import TavilySearch

# 1. 定义大模型
model = ChatOpenAI(model="gpt-4o-mini")

# 2. 定义搜索工具，最多返回4条结果
tool = TavilySearch(max_results=4)

# 3. 绑定工具到模型
model_with_tools = model.bind_tools([tool])

# 4. 第一步：用户提问，模型选择调用搜索工具
messages = [
    HumanMessage("中国西安今天的天气怎么样?")
]
ai_msg = model_with_tools.invoke(messages)
messages.append(ai_msg)

# 5. 第二步：执行搜索工具
for tool_call in ai_msg.tool_calls:
    tool_msg = tool.invoke(tool_call)
    messages.append(tool_msg)

# 6. 第三步：模型根据搜索结果生成最终回答
result = model_with_tools.invoke(messages)
print(result.content)

3.3 输出结果示例

根据最新的天气信息，北京今天（8月31日）的天气情况如下：

**🌤️ 今日天气概况**
- **天气状况**：晴间多云，夜间晴朗
- **气温**：最高气温约 **29-32℃**，最低气温约 **17-19℃**
- **风力**：北转南风，3级左右（阵风可达5级），夜间转1-2级
- **降水**：无降雨，降水概率为 0%

**📌 温馨提示**
- 白天体感较热（体感温度约25℃），建议穿着**清凉透气的夏装**，如T恤、短袖等。
- 紫外线指数较高，外出记得**涂抹防晒霜（SPF20以上）**，并佩戴遮阳帽或太阳镜。
- 早晚温差较大（夜间最低17-19℃），如果晚归，建议备一件**薄外套**。
- 天气晴朗无雨，适合户外活动或洗车。

祝您今天出行顺利，生活愉快！😊

四、核心知识点总结

聊天模型：

1. 使用 ChatOpenAI 初始化 DeepSeek 模型，重点掌握 temperature 和 max_tokens 参数
2. 使用 init_chat_model() 实现多模型统一初始化
3. 使用 ChatOllama 调用本地部署的开源模型

工具调用：

1. 工具的核心三要素：名称、描述、参数 schema
2. 推荐使用 @tool 装饰器定义工具，简单高效
3. 工具调用流程：工具选择 → 工具执行 → 结果总结
4. 能够通过 tool_choice 参数强制模型调用指定工具

Tavily 搜索：

1. Tavily 是专为 AI 设计的搜索引擎，返回结构化结果
2. 只需配置 API Key 即可快速集成，实现实时信息获取

结尾：

**本文大家从最基础的聊天模型定义开始，逐步深入到工具调用的底层逻辑，并最终实现了一个能实时搜索天气的 AI 助手。这只是 LangChain 强大功能的冰山一角，后续大家还将学习结构化输出、流式传输、RAG 检索增强生成等高级功能，带你一步步构建生产级的 LLM 应用。

就写这么多吧，内容比较基础，适合入门回顾。有补充的地方欢迎留言一起完善。

小丸子博客

【LangChain】实战指南：从模型定义到工具调用与实时天气查询实战

前言：

一. 定义聊天模型

1.1 ChatOpenAI: 最常用的模型实现

1.2 init_chat_model: 通用模型工厂函数

1.3 ChatOllama：本地部署模型支持

二、工具调用：让 LLM 连接外部世界

2.1 工具调用的核心作用

2.2 定义工具的三种方式

2.2.1 方式一：@tool 装饰器（推荐）

2.2.2 方式二：StructuredTool 类

2.3 工具的绑定与调用

三、实战：集成 Tavily 搜索引擎实现实时天气查询

3.1 环境准备

3.2 完整代码实现

3.3 输出结果示例

四、核心知识点总结

结尾：

评论 (0)

【LangChain】 实战指南：从模型定义到工具调用与实时天气查询实战

前言：

一. 定义聊天模型

1.1 ChatOpenAI: 最常用的模型实现

1.2 init_chat_model: 通用模型工厂函数

1.3 ChatOllama：本地部署模型支持

二、工具调用：让 LLM 连接外部世界

2.1 工具调用的核心作用

2.2 定义工具的三种方式

2.2.1 方式一：@tool 装饰器（推荐）

2.2.2 方式二：StructuredTool 类

2.3 工具的绑定与调用

三、实战：集成 Tavily 搜索引擎实现实时天气查询

3.1 环境准备

3.2 完整代码实现

3.3 输出结果示例

四、核心知识点总结

结尾：

评论 (0)

【LangChain】实战指南：从模型定义到工具调用与实时天气查询实战