结构化工具调用与函数集成

尽管基础代理通常依赖解析大型语言模型（LLM）的文本输出来决定下一步动作及其参数 (parameter)，但这种方法容易出错且可能出现不一致。LLM每次响应的格式可能略有不同，或者解析逻辑可能无法正确提取复杂参数。对于要求较高可靠性的生产系统，许多现代LLM提供了一种更直接的机制：结构化工具调用，OpenAI等一些提供商常称之为函数调用。

结构化工具调用的机制

模型支持结构化工具调用时，不会生成描述调用工具的自由形式文本（例如，“我应该使用搜索工具，查询为‘LangChain内存’”），而是能输出一条特定指令，通常以JSON格式呈现，明确指示要调用哪个工具以及传递哪些参数 (parameter)。LLM经过专门训练，能够识别用户请求何时需要调用可用工具之一，并根据预设架构生成参数。

这比文本解析有很大的改进，原因如下：

1. 提高了可靠性： LLM的输出在设计上就是结构化且机器可读的。这大幅降低了从自然语言指令中提取信息时可能出现的解析错误。
2. 提高了准确性： 模型经过训练，能根据提供的架构填充参数。这通常带来更准确的参数提取，特别是对于具有多个或复杂参数的工具。
3. 简化了代理逻辑： 代理的任务变得更简单。它不再需要复杂的正则表达式或解析逻辑，主要需要解释LLM的结构化输出，识别目标工具，并使用提供的参数执行它。
4. 增强了可预测性： 由于LLM调用工具的决策及其提供的参数更加明确且受制于工具架构，系统变得更可预测。

LangChain 集成：工具调用的抽象

LangChain 提供了抽象层，用于处理跨不同LLM提供商（如OpenAI、Google Gemini、Anthropic Claude等）的结构化工具调用功能，让您可以定义一次工具并在兼容模型和代理中使用它们。

主要组件包括：

• 工具定义： 您将工具定义为Python函数，通常使用装饰器或Pydantic模型来指定它们的参数 (parameter)和描述。LangChain使用这些定义（包括类型提示和文档字符串）来生成LLM所需的架构。
• 将工具绑定到LLM： bind_tools等方法将您可用工具的架构附带到LLM或聊天模型实例。这会告知模型在推理 (inference)时可用的能力。
• 专用代理： LangChain 提供 create_tool_calling_agent 等构造器，这些构造器专门设计用于使用这些模型功能。在现代生产架构中，它们通常通过 LangGraph 进行编排，LangGraph 处理状态和通信循环，将工具架构传递给LLM并解释结构化的工具调用响应。

定义工具以实现可靠调用

您的工具定义的清晰度和准确性是影响LLM有效使用它们的关键因素。

使用函数和装饰器： 一种常见方法是定义一个标准Python函数，并使用LangChain的@tool装饰器（或StructuredTool.from_function）。

from langchain_core.tools import tool
from pydantic import BaseModel, Field # 可选，用于复杂参数

@tool
def get_stock_price(symbol: str) -> float:
  """
  获取给定股票代码的当前股价。
  用于获取最新的金融市场数据。
  """
  # 替换为实际的API调用逻辑
  print(f"正在获取 {symbol} 的价格...")
  if symbol.upper() == "LC":
      return 125.50
  elif symbol.upper() == "AI":
      return 300.10
  else:
      return 404.0 # 表示未找到

# 代理现在将能够访问此工具
# LangChain 会根据函数签名和文档字符串自动生成架构。

类型提示 symbol: str 告知LLM symbol 参数 (parameter)应为字符串。文档字符串非常重要；它作为提供给LLM的描述，指导LLM决定何时使用该工具。

使用Pydantic处理复杂参数： 对于具有多个参数或复杂输入结构的工具，为参数定义Pydantic模型可以提供更好的结构和验证。

from langchain_core.tools import tool
from pydantic import BaseModel, Field
import datetime

class WeatherRequestArgs(BaseModel):
    location: str = Field(..., description="城市和州，例如：旧金山，加利福尼亚")
    date: datetime.date = Field(..., description="天气预报的具体日期")

@tool(args_schema=WeatherRequestArgs)
def get_weather_forecast(location: str, date: datetime.date) -> str:
    """提供特定地点和日期的天气预报。"""
    # 实际实现会调用天气API
    print(f"正在获取 {date} {location} 的天气...")
    return f" {date} {location} 的预报：晴，25\u00b0C"

# LangChain 使用 WeatherRequestArgs 为 LLM 生成详细的 JSON 架构。

在这种情况下，args_schema 参数将Pydantic模型与工具明确关联，确保LLM接收到预期输入结构的清晰定义，包括每个字段的描述。

代理执行流程

当使用配置为结构化工具调用的代理时，典型的执行循环如下所示：

代理使用结构化工具调用时的执行流程。LLM直接输出一个结构化请求，代理解析该请求并使用它来调用正确的工具实现。

1. 输入： 用户向代理提供输入。
2. LLM调用： 代理格式化输入、对话历史以及可用工具的架构，并将它们发送给LLM。
3. 结构化响应： LLM分析请求。如果它判定需要一个工具，则会以结构化输出响应，明确工具名称和参数 (parameter)（例如，{ "tool": "get_stock_price", "tool_input": {"symbol": "LC"} }）。如果不需要工具，它会生成一个最终文本响应。
4. 解析与调用： 代理解析此结构化响应。它识别指定的工具（get_stock_price）并提取参数（{"symbol": "LC"}）。然后它调用相应的Python函数（get_stock_price(symbol="LC")）。
5. 结果处理： 工具执行并返回其结果（例如，125.50）。
6. 后续LLM调用（如果需要）： 代理将工具结果发送回LLM，可能要求它合成最终答案或决定下一步。
7. 最终输出： LLM根据工具结果和对话历史生成最终响应。
8. 交付： 代理将最终响应返回给用户。

生产实践注意事项

• 描述的质量： 文档字符串和参数 (parameter)描述主要。它们是LLM理解您的工具功能以及如何使用它们的主要方式。确保它们清晰、具体、准确。说明何时应使用该工具。
• 架构设计： 在捕获必要信息的同时，尽可能保持参数架构简单。使用适当的类型（字符串、整数、布尔值、列表等）。
• 模型支持： 验证您使用的特定LLM是否可靠支持您所需的工具/函数调用功能。性能和可靠性可能因模型和提供商而异。
• 错误处理： 尽管结构化调用减少了解析错误，但工具执行本身仍可能失败（例如，网络问题、下游输入无效）。确保您的代理包含工具执行失败的错误处理，如上一节（处理工具错误和代理恢复）中所述。
• 令牌使用： 提供工具架构会消耗上下文 (context)窗口令牌。对于具有许多复杂工具的代理，这可能成为上下文长度限制和成本的一个因素。

通过使用结构化工具调用，您将摆脱脆弱的文本解析，转向LLM推理 (inference)能力与应用程序自定义功能之间更可靠、可预测的交互。这是构建生产就绪代理的一大步，这些代理能够有效且一致地执行涉及外部交互的复杂任务。