Tool Calling是什么
普通的LLM调用只能基于训练数据回答问题。Tool Calling（工具调用）让LLM能主动调用外部函数：查数据库、调API、执行代码、发邮件。例如用户问「今天北京天气怎么样」，LLM不是编造回答，而是调用天气API获取真实数据再回答。这是从聊天机器人到AI Agent的关键能力跃迁。LangChain是2026年最成熟的LLM应用开发框架，其Tool Calling模块是搭建Agent系统的核心组件。
第一步：安装与环境配置
- 安装核心库：
pip install langchain langchain-openai langchain-core - 安装工具库：
pip install requests beautifulsoup4（用于网络请求和网页解析） - 设置环境变量：
export OPENAI_API_KEY=your-key - 验证安装：在Python中执行
from langchain.tools import tool无报错 - 选择模型：推荐使用支持原生Tool Calling的模型（GPT-5、Claude、DeepSeek V4 Pro）
第二步：用@tool装饰器定义工具
LangChain中最简单的工具定义方式是用装饰器：
- 导入：
from langchain.tools import tool - 定义函数并添加装饰器
- 函数的docstring就是工具描述，LLM根据描述决定何时使用
- 函数的参数类型注解帮助LLM正确传参
第一个工具示例——天气查询：
定义函数 get_weather，接收 city 参数（字符串类型），docstring写「获取指定城市的当前天气信息」，函数内部调用天气API返回结果。
第二个工具示例——数据库查询：
定义函数 query_database，接收 sql 参数，docstring写「执行SQL查询并返回结果」，函数内部连接数据库执行查询。
第三个工具示例——计算器：
定义函数 calculate，接收 expression 参数，docstring写「计算数学表达式」，函数内部用eval安全执行。
提示：工具的docstring质量直接决定LLM能否正确使用工具。描述要包含：工具做什么、什么时候用、参数含义、返回格式
第三步：用StructuredTool处理复杂参数
当工具需要复杂参数（如嵌套对象、列表）时，用StructuredTool：
- 导入：
from langchain.tools import StructuredTool和from pydantic import BaseModel, Field - 定义参数模型：用Pydantic BaseModel描述参数结构
- 每个字段用Field添加描述
- 创建StructuredTool：传入函数和参数模型
- 这样LLM能理解复杂参数结构并正确传参
StructuredTool适用场景：
- 搜索工具：需要query、num_results、language等多个参数
- 邮件工具：需要to、subject、body、cc等参数
- 数据库工具：需要table、columns、where_clause、order_by等参数
- 文件操作：需要file_path、operation、content等参数
第四步：创建Agent编排工具
有了工具后，用Agent让LLM自动决定何时调用哪个工具：
- 导入AgentCreator：
from langchain.agents import create_tool_calling_agent - 导入执行器：
from langchain.agents import AgentExecutor - 创建提示词模板：定义系统行为和工具使用规则
- 创建Agent：传入LLM、工具列表、提示词
- 创建执行器：AgentExecutor包装Agent，设置max_iterations和错误处理
- 运行：调用 executor.invoke({‘input’: ‘用户问题’})
Agent执行流程（以「查北京天气然后算温度差」为例）：
- 用户问「北京比上海温度高多少度」
- LLM分析：需要先查两个城市的天气
- LLM调用 get_weather(city=’北京’) → 返回25度
- LLM调用 get_weather(city=’上海’) → 返回28度
- LLM调用 calculate(expression=’25-28′) → 返回-3
- LLM综合结果回答「北京比上海低3度」
第五步：数据库查询工具实战
让LLM能查数据库是最高频的企业需求：
- 安装SQLAlchemy：
pip install sqlalchemy - 定义数据库连接工具：接收SQL语句，返回查询结果
- 在docstring中描述数据库表结构：帮助LLM写正确的SQL
- 添加安全限制：只允许SELECT，禁止DROP/DELETE
- 设置行数限制：最多返回100行，防止大查询
- 格式化返回：将结果转为字典列表，LLM更容易理解
安全注意事项：
- 使用只读数据库账号，禁止DDL和DML
- 设置查询超时：避免LLM生成慢查询拖垮数据库
- SQL注入防护：用参数化查询，不直接拼接字符串
- 结果限制：每次最多返回100行，大数据量用分页
- 日志记录：记录所有LLM生成的SQL，方便审计
第六步：错误处理与重试
工具调用可能失败，需要健壮的错误处理：
- 在工具函数中用try-except捕获异常
- 返回友好的错误信息（而非原始异常堆栈）
- 在AgentExecutor中设置 handle_parsing_errors=True
- 设置 max_iterations=5：避免无限循环
- 设置 early_stopping_method=’generate’：超时后让LLM总结已有结果
- 添加重试装饰器：对网络请求类工具自动重试3次
常见问题与误区
- LLM不调用工具：检查工具docstring是否清晰，在系统提示词中强调「使用工具获取信息」
- LLM传参错误：确保参数类型注解准确，在Field描述中写清楚参数格式
- 工具执行超时：在工具函数中设置timeout，超时返回错误信息
- Agent陷入循环：设置max_iterations限制，设置early_stopping_method处理超时
- 多个工具冲突：确保工具名称唯一，docstring描述不重叠
- 本地模型不支持Tool Calling：需要选择支持function calling的模型，如GPT-5、Claude、DeepSeek V4 Pro
效率数据
- 开发效率：定义一个工具约5-10分钟，搭建完整Agent约1-2小时
- 调用准确率：描述良好的工具，LLM调用准确率约90%+
- 数据库查询场景：用户自然语言→SQL→结果，准确率约85%（简单查询）
- 多工具编排：3-5个工具的组合调用成功率约80%
- 某企业实测：用Tool Calling搭建内部数据查询Agent后，非技术人员自助查数据比例从10% → 65%