在 LangChain 中，Tools（工具） 是扩展大语言模型（LLM）能力的核心组件，允许模型调用外部资源（如 API、数据库、搜索引擎等）来完成仅凭自身知识无法解决的任务（如获取实时信息、执行计算、操作数据等）。
LangChain 拥有大量第三方工具。请访问工具集成查看可用工具列表。https://python.langchain.com/v0.2/docs/integrations/tools/
后续Tools与Agent结合示例在下一章中展示。

• Tool：单个工具的抽象，包含工具名称、描述、调用方法等。LLM 会根据工具描述决定是否调用。
• Toolkit：相关工具的集合（如数据库工具包包含查询、插入、删除等工具），简化复杂场景的工具管理。
  Tool的要素：
• name ：工具的名称
• description ：工具的功能描述
• 该工具输入的 JSON模式
• 要调用的函数
• return_direct ：是否应将工具结果直接返回给用户（仅对Agent相关）
  步骤：
• 步骤1：将name、description 和 JSON模式作为上下文提供给LLM
• 步骤2：LLM会根据提示词推断出 需要调用哪些工具 ，并提供具体的调用参数信息
• 步骤3：用户需要根据返回的工具调用信息，自行触发相关工具的回调

自定义工具

一.使用 @tool 装饰器

from langchain.tools import tool

@tool(name_or_callable="add_two_number",description="two number add",return_direct=True)
def add_number(a:int,b:int)->int:
    """两个整数相加"""
    return a + b

print(f"name = {add_number.name}")
print(f"args = {add_number.args}")
print(f"description = {add_number.description}")
print(f"return_direct = {add_number.return_direct}")
res = add_number.invoke({"a":10,"b":20})
print(res)

# name = add_two_number
# args = {'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}
# description = two number add
# return_direct = True
# 30

二.使用StructuredTool.from_function类方法

StructuredTool.from_function 类方法提供了比 @tool 装饰器更多的可配置性，而无需太多额外的代码。

class FieldInfo(BaseModel):
    input: str = Field(description="输入的关键词")

def hello_func(input:str)->str:
    return "hello"

tool1 = StructuredTool.from_function(
    func=hello_func,
    name="Hello",
    description="hello world",
    args_schema=FieldInfo,
    return_direct=True
)

print(f"name = {tool1.name}")
print(f"description = {tool1.description}")
print(f"return_direct = {tool1.return_direct}")
print(f"args = {tool1.args}")
print(tool1.invoke("hello"))
# name = Hello
# description = hello world
# return_direct = True
# args = {'input': {'description': '输入的关键词', 'title': 'Input', 'type': 'string'}}
# hello