LangChain1.0-Agent接入自定义工具与React循环

发布时间：2026-02-01 00:12:46编辑：123阅读（5）

LangChain1.0 create_agent接入自定义工具与React循环

能调用外部工具，是大模型进化为智能体Agent的关键，如果不能使用外部工具。大模型就只能是个简单的聊天机器人，甚至连查询天气都做不到。由于底层技术限制，大模型本身是无法和外部工具直接通信的，因此Function calling的思路，就是创建一个外部函数(Function)作为中介，一边传递大模型的请求，另一边调用外部工具，最终让大模型能够间接的调用外部工具。



例如，当要查询当前天气时，让大模型调用外部工具的function calling的过程，因此所谓的接入自定义外部工具，核心需要创建的就是能够调用外部工具的API函数。


一个典型的能够查询实时天气信息的外部函数如下：

import requests
from langchain.tools import tool

@tool
def get_weather(city):
    """
    查询及时天气函数
    :city:不要参数，字符串类型，需要查询的城市
    :return: API查询天气结果
    """
    url = 'http://apis.juhe.cn/simpleWeather/query'

    headers={
        "Content-Type": "application/x-www-form-urlencoded",
        "charset":"UTF-8"
    }

    data = {
        "city": city,
        "key":"bef2ae20fc12a6dd10ebc30e0c4ac659"
    }
    response = requests.post(url=url, data=data,headers=headers)
    data = response.json().get('result').get('future')[0]
    return data
# 函数名
function_name = get_weather.name
print(f'函数名:{function_name}')
# 函数描述
function_description = get_weather.description
print(f'函数描述:{function_description}')
# 函数需要传递的参数
function_args = get_weather.args
print(f'函数需要传递的参数:{function_args}')
res = get_weather.invoke('上海')
print(f'查询结果:{res}')

运行结果：

函数名:get_weather

函数描述:查询及时天气函数

:city:不要参数，字符串类型，需要查询的城市

:return: API查询天气结果

函数需要传递的参数:{'city': {'title': 'City'}}

查询结果:{'date': '2026-01-31', 'temperature': '1/6℃', 'weather': '阴转多云', 'wid': {'day': '02', 'night': '01'}, 'direct': '东北风'}




基于本地模型的Agent工具调用示例

注意：并不是所有模型都支持工具调用的，本地模型部署前需要调研清楚是否支持工具调用

环境介绍：

基于ollama部署的llama3.1-8b的模型-支持工具调用






用本地模型询问今天上海的天气如何？代码如下：

from langchain_ollama import ChatOllama

# 导入模型
model = ChatOllama(
    model="llama3.1:8b",
    temperature=0.7
)
response = model.invoke("请问上海今天的天气如何？")
print(response.content)

执行结果：


非常抱歉，我无法提供实时的天气信息。




上面的结果可以看出，模型无法实时回答上海今天天气情况，整合上面调用外部API获取天气的函数，可以封装一个实时查询天气的Agent，代码如下：

from langchain.agents import create_agent
from langchain_ollama import ChatOllama
from langchain.tools import tool
import requests

# 导入模型
model = ChatOllama(
    model="llama3.1:8b",
    temperature=0.7
)

# 天气调用函数
@tool
def get_weather(city):
    """
    查询及时天气函数
    :param city: 城市名 - 上海,北京...
    :return: API返回结果
    """
    url = 'http://apis.juhe.cn/simpleWeather/query'
    headers={
        "Content-Type": "application/x-www-form-urlencoded",
        "charset":"UTF-8"
    }

    data = {
        "city": city,
        "key":"bef2ae20fc12a6dd10ebc30e0c4ac659"
    }
    response = requests.post(url=url, data=data,headers=headers)
    data = response.json().get('result').get('future')[0]
    print(f"API接口返回的天气查询结果:{data}")
    return data

# 创建Agent
agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是一名多才多艺的智能助手,可以调用工具帮助用户解决问题"
)
result = agent.invoke({"messages":[{"role":"user", "content":"请问上海今天的天气如何？"}]})
print(f"大模型根据用户问题自行调用工具后的结果：{result['messages'][-1].content}")

运行结果：

API接口返回的天气查询结果:{'date': '2026-01-31', 'temperature': '1/6℃', 'weather': '阴转多云', 'wid': {'day': '02', 

'night': '01'}, 'direct': '东北风'}

大模型根据用户问题自行调用工具后的结果：根据工具的输出，我们可以得出以下结论：

"上海今天的天气很冷，温度在1到6℃之间。天气主要是阴转多云，风从东北吹来。建议您穿好厚衣服，带上雨伞，

以备不时之需。

可以看到跟API接口返回的信息是一致的。




对于create_agent API来说，其工具调用的核心逻辑也是React循环工具调用，既可以在简短的推理步骤和有针对性的工具调用之间交替，并将得到的观察结果反馈到后续决策中，直到能给出最终答案。并且具备如下特性：

按顺序调用多个工具（由单个提示触发）

适当时并行调用工具

根据先前结果进行动态工具选择

工具重试逻辑和错误处理

跨工具调用的状态持久性

原理图：






LangChain1.0 Agent工具的多次调用示例

两个地方的天气比较,会调用多次工具获取信息之后比较返回结果

from langchain.agents import create_agent
from langchain_ollama import ChatOllama
from langchain.tools import tool
import requests

# 导入模型
model = ChatOllama(
    model="llama3.1:8b",
    temperature=0.7
)

# 天气调用函数
@tool
def get_weather(city):
    """
    查询及时天气函数
    :param city: 城市名 - 上海,北京...
    :return: API返回结果
    """
    url = 'http://apis.juhe.cn/simpleWeather/query'
    headers={
        "Content-Type": "application/x-www-form-urlencoded",
        "charset":"UTF-8"
    }
    data = {
        "city": city,
        "key":"bef2ae20fc12a6dd10ebc30e0c4ac659"
    }
    response = requests.post(url=url, data=data,headers=headers)
    if response.status_code == 200:
        tmp = {}
        tmp.setdefault('city', city)
        ret = response.json().get('result').get('future')[0]
        tmp.update(ret)
        print(f"API接口返回的天气查询结果:{tmp}")
        return ret

# 创建Agent
agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是智能助手,可以调用工具帮助用户解决问题,如果用户问了多个地方的天气，调用多次工具"
)
# 工具并联调用
result = agent.invoke({"messages":[{"role":"user", "content":"请问今天北京和上海哪里更冷？"}]})
print(result['messages'][-1].content)

运行结果：


API接口返回的天气查询结果:{'city': '上海', 'date': '2026-01-31', 'temperature': '1/6℃', 'weather': '阴转多云', 'wid': {'day': '02', 'night': '01'}, 'direct': '东北风'}

API接口返回的天气查询结果:{'city': '北京', 'date': '2026-01-31', 'temperature': '-6/6℃', 'weather': '多云转晴', 'wid': {'day': '01', 'night': '00'}, 'direct': '东北风转西南风'}

根据工具的输出结果，北京今天温度为-6摄氏度，上海今天温度为1摄氏度。所以，北京比上海更冷。




这里有个需要注意的点，在系统提示词模板那里，如果不加后面的提示词(如果用户问了多个地方的天气，调用多次工具)，最终会导致失败，所以对于大模型而言，提示词是很重要的，直接影响最终结果的准确性。




LangChain1.0 Agent工具的多步调用


from langchain.agents import create_agent
from langchain_ollama import ChatOllama
from langchain.tools import tool
import requests
from datetime import datetime
import os

# 导入模型
model = ChatOllama(
    model="llama3.1:8b",
    temperature=0.7
)

# 天气调用函数
# @tool
def get_weather(city:str):
    """
    查询及时天气函数
    :param city: 城市名 - 上海,北京...
    :return: API返回结果
    """
    url = 'http://apis.juhe.cn/simpleWeather/query'
    headers={
        "Content-Type": "application/x-www-form-urlencoded",
        "charset":"UTF-8"
    }
    data = {
        "city": city,
        "key":"bef2ae20fc12a6dd10ebc30e0c4ac659"
    }
    try:
        response = requests.post(url=url, data=data,headers=headers)
        if response.status_code == 200:
            tmp = {}
            tmp.setdefault('city', city)
            ret = response.json().get('result').get('future')[0]
            tmp.update(ret)
            print(f"API接口返回的天气查询结果:{tmp}")
            return tmp
    except Exception as e:
        print(f"工具调用失败:{e}")

@tool
def write_file(content:str):
    """
    将指定内容写入本地文件
    :param content:必要参数，字符串类型，用于表示需要写入文档的具体内容
    :return:写入结果提示信息
    """
    try:
        timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')
        filename = f"output_{timestamp}.txt"
        with open(filename, 'w', encoding='utf-8') as f:
            f.write(content)
        abs_path = os.path.abspath(filename)
        return f"已成功写入本地文件:{abs_path}"
    except Exception as e:
        return f"文件写入失败:{e}"

agent = create_agent(
    model=model,
    tools=[get_weather, write_file],
    system_prompt="""
        你是一名多才多艺的智能助手,可以调用工具帮助用户解决问题，严格遵循以下规则：
            1.如果用户问了多个地方的天气，调用多次工具
            2.用户提出写入本地文件，把最终汇总结果写入本地文件
    """
)
result = agent.invoke({"messages":[{"role":"user", "content":"帮我查询北京,上海的天气,并写入本地文件"}]})
print(result['messages'][-1].content)

运行结果:

API接口返回的天气查询结果:{'city': '北京', 'date': '2026-02-01', 'temperature': '-6/6℃', 'weather': '多云转晴', 'wid': 

{'day': '01', 'night': '00'}, 'direct': '东北风转西南风'}

API接口返回的天气查询结果:{'city': '上海', 'date': '2026-01-31', 'temperature': '1/6℃', 'weather': '阴转多云', 'wid': 

{'day': '02', 'night': '01'}, 'direct': '东北风'}

北京天气：多云转晴，-6℃/6℃，东北风转西南风

上海天气：阴转多云，1℃/6℃，东北风

已成功写入本地文件:D:\spider_agent\output_20260201_000738.txt

关键字：