LangChain通用方式FUNCTION_CALL调用工具

引言

本文将介绍如何使用LangChain的通用方式通过Function Call模式调用工具，以天气查询为例，展示如何结合Tavily搜索工具和DeepSeek模型构建智能助手。

完整代码实现

import os
from dotenv import load_dotenv
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_community.tools import TavilySearchResults
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAI

# 加载env环境变量
load_dotenv()

# tavily工具的API_KEY
os.environ['TAVILY_API_KEY'] = os.getenv('TAVILY_API_KEY')

# 创建搜索工具
search_tool = TavilySearchResults(
    max_results=3,
    name="web_search",
    description="用于检索互联网上的实时信息，如天气、新闻等"
)

tools = [search_tool]

# 获取对话模型
chat_model = ChatOpenAI(
    model="deepseek-chat",
    base_url=os.getenv('OPENAI_BASE_URL'),
    api_key=os.getenv('OPENAI_API_KEY'),
    temperature=0.7
)

# 创建ChatPromptTemplate
prompt_template = ChatPromptTemplate.from_messages([
    ("system", """你是一个智能助手，可以使用搜索工具获取实时信息。
当用户询问天气、新闻等需要实时数据的问题时，请使用搜索工具。
回答时请基于搜索结果，用友好的方式总结信息。"""),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad"),  # 用于记录agent的思考过程
])

# 获取agent
agent = create_tool_calling_agent(
    llm=chat_model,
    prompt=prompt_template,
    tools=tools
)

# AgentExecutor
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    handle_parsing_errors=True,  # 添加错误处理
    max_iterations=3  # 限制最大迭代次数
)

# 正确传递参数
result = agent_executor.invoke({"input": "查询北京今天的天气"})

print("\n最终结果:")
print(result["output"])

代码详解

1. 导入必要的库

import os
from dotenv import load_dotenv
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_community.tools import TavilySearchResults
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAI

• os: 操作系统环境变量操作
• load_dotenv: 从.env文件加载环境变量
• create_tool_calling_agent: 创建支持工具调用的Agent
• AgentExecutor: Agent执行器，负责管理Agent的运行
• TavilySearchResults: Tavily搜索工具
• ChatPromptTemplate: 聊天提示词模板
• MessagesPlaceholder: 消息占位符，用于动态插入消息
• ChatOpenAI: OpenAI格式的聊天模型

2. 环境变量配置

# 加载env环境变量
load_dotenv()

# tavily工具的API_KEY
os.environ['TAVILY_API_KEY'] = os.getenv('TAVILY_API_KEY')

• load_dotenv(): 加载项目根目录下的.env文件
• 从环境变量中获取Tavily API密钥并设置到系统环境变量中

3. 创建搜索工具

search_tool = TavilySearchResults(
    max_results=3,
    name="web_search",
    description="用于检索互联网上的实时信息，如天气、新闻等"
)

tools = [search_tool]

• max_results=3: 最多返回3条搜索结果
• name="web_search": 工具名称，Agent通过名称调用
• description: 工具功能描述，帮助Agent理解何时使用该工具
• 将工具放入列表中，支持多个工具

4. 初始化对话模型

chat_model = ChatOpenAI(
    model="deepseek-chat",
    base_url=os.getenv('OPENAI_BASE_URL'),
    api_key=os.getenv('OPENAI_API_KEY'),
    temperature=0.7
)

• model="deepseek-chat": 使用DeepSeek聊天模型
• base_url: DeepSeek API接口地址
• api_key: DeepSeek API密钥
• temperature=0.7: 控制输出随机性，值越大回答越多样

5. 创建提示词模板

prompt_template = ChatPromptTemplate.from_messages([
    ("system", """你是一个智能助手，可以使用搜索工具获取实时信息。
当用户询问天气、新闻等需要实时数据的问题时，请使用搜索工具。
回答时请基于搜索结果，用友好的方式总结信息。"""),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad"),  # 用于记录agent的思考过程
])

• from_messages(): 从消息列表创建模板
• ("system", ...): 系统消息，定义Agent的行为准则
• ("human", "{input}"): 用户消息，{input}会被实际输入替换
• MessagesPlaceholder("agent_scratchpad"): 占位符，用于记录Agent的中间思考过程，参考文章最后（MessagesPlaceholder("agent_scratchpad") 详细解释）

6. 创建Agent和Executor

agent = create_tool_calling_agent(
    llm=chat_model,
    prompt=prompt_template,
    tools=tools
)

agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    handle_parsing_errors=True,
    max_iterations=3
)

• create_tool_calling_agent: 创建支持Function Call的Agent
• AgentExecutor: 创建Agent执行器
  • verbose=True: 显示详细的执行过程
  • handle_parsing_errors=True: 处理解析错误
  • max_iterations=3: 最大迭代次数，防止无限循环

7. 执行查询

result = agent_executor.invoke({"input": "查询北京今天的天气"})

print("\n最终结果:")
print(result["output"])

• invoke(): 执行Agent，传入参数字典
• result["output"]: 获取最终的输出结果

运行输出

E:\pythonWorkSpace\LangChain\(18)Langchain通用方式FUNCTION_CALL调用工具.py:15: LangChainDeprecationWarning: The class `TavilySearchResults` was deprecated in LangChain 0.3.25 and will be removed in 1.0. An updated version of the class exists in the `langchain-tavily package and should be used instead. To use it run `pip install -U `langchain-tavily` and import as `from `langchain_tavily import TavilySearch``.
  search_tool = TavilySearchResults(


> Entering new AgentExecutor chain...

Invoking: `web_search` with `{'query': '北京今天天气'}`
responded: 我来帮您查询北京今天的天气情况。

[搜索结果详情...]

根据搜索结果，我来为您总结北京今天的天气情况：

## 北京今天（2月16日）天气概况：

**当前天气状况：**
- **温度：** 3°C（体感温度0°C）
- **天气：** 阴天
- **湿度：** 65%
- **风力：** 东南偏南风，2 km/h
- **能见度：** 24.14 km
- **气压：** 1022 hPa
- **云量：** 100%

**今日温度范围：**
- **最高温度：** 6°C
- **最低温度：** -6°C

**今日详细预报：**
- 白天：晴，西南风微风，最高6°C
- 夜间：晴，西南风微风，最低-6°C

**穿衣建议：**
今天北京天气寒冷，建议您：
- 穿保暖夹克或中等重量的外套
- 穿闭趾鞋或靴子
- 戴围巾保护颈部
- 穿长裤（牛仔裤或其他厚料）

**空气质量：**
空气质量非常不健康，对所有人都有健康风险，可能出现紧急情况。

**温馨提示：**
今天天气寒冷，外出请注意保暖。由于空气质量较差，建议减少户外活动时间，特别是老人、儿童和有呼吸道疾病的人群。

> Finished chain.

最终结果:
根据搜索结果，我来为您总结北京今天的天气情况：

## 北京今天（2月16日）天气概况：

**当前天气状况：**
- **温度：** 3°C（体感温度0°C）
- **天气：** 阴天
- **湿度：** 65%
- **风力：** 东南偏南风，2 km/h
- **能见度：** 24.14 km
- **气压：** 1022 hPa
- **云量：** 100%

**今日温度范围：**
- **最高温度：** 6°C
- **最低温度：** -6°C

**今日详细预报：**
- 白天：晴，西南风微风，最高6°C
- 夜间：晴，西南风微风，最低-6°C

**穿衣建议：**
今天北京天气寒冷，建议您：
- 穿保暖夹克或中等重量的外套
- 穿闭趾鞋或靴子
- 戴围巾保护颈部
- 穿长裤（牛仔裤或其他厚料）

**空气质量：**
空气质量非常不健康，对所有人都有健康风险，可能出现紧急情况。

**温馨提示：**
今天天气寒冷，外出请注意保暖。由于空气质量较差，建议减少户外活动时间，特别是老人、儿童和有呼吸道疾病的人群。

Process finished with exit code 0

代码执行流程分析

1. 初始化阶段

• 加载环境变量，配置API密钥
• 创建Tavily搜索工具实例
• 初始化DeepSeek聊天模型

2. Agent创建阶段

• 定义系统提示词，指导Agent的行为
• 创建提示词模板，包含系统消息、用户输入和思考过程占位符
• 使用create_tool_calling_agent创建Function Call Agent
• 创建AgentExecutor管理Agent执行

3. 执行阶段

• 用户输入：“查询北京今天的天气”
• Agent判断需要调用搜索工具
• 自动调用web_search工具，参数为{'query': '北京今天天气'}
• Tavily返回搜索结果（3条相关天气信息）
• Agent基于搜索结果生成友好的回答
• 输出格式化的天气信息

4. 输出阶段

• 显示完整的天气信息，包括温度、湿度、风力等
• 提供穿衣建议和温馨提示
• 包含空气质量提醒

Function Call 机制解析

什么是Function Call？

Function Call是OpenAI推出的模型能力，允许模型识别何时需要调用外部函数，并生成结构化的函数调用参数。LangChain将其封装为create_tool_calling_agent。

工作流程

1. 用户输入 → 2. 模型判断是否需要工具 → 3. 需要则生成函数调用
4. 执行工具 → 5. 将结果返回给模型 → 6. 模型生成最终回答

与传统ReAct的区别

• ReAct: 模型自己生成文本格式的Action和Action Input
• Function Call: 模型生成结构化的函数调用，更稳定、更准确

注意事项

1. API密钥配置

在项目根目录创建.env文件：

OPENAI_BASE_URL=https://api.deepseek.com
OPENAI_API_KEY=your_deepseek_api_key_here
TAVILY_API_KEY=your_tavily_api_key_here

2. 依赖安装

pip install langchain langchain-community langchain-openai langchain-core
pip install tavily-python python-dotenv

3. 版本警告说明

代码运行时会显示两个警告：

• TavilySearchResults将在LangChain 1.0中被移除，建议迁移到langchain-tavily包
• 这是正常的废弃警告，不影响当前功能

4. 错误处理

代码中添加了：

• handle_parsing_errors=True: 自动处理解析错误
• max_iterations=3: 防止Agent陷入无限循环

总结

本文通过一个完整的天气查询示例，展示了如何使用LangChain的通用方式通过Function Call模式调用工具。主要优点包括：

1. 结构化调用: Function Call提供结构化的工具调用方式
2. 稳定性高: 相比文本解析更稳定可靠
3. 易于扩展: 可以方便地添加多个工具
4. 实时性强: 能够获取最新的实时信息

MessagesPlaceholder("agent_scratchpad") 详细解释

1. 什么是 agent_scratchpad？

agent_scratchpad 是 LangChain Agent 中的一个特殊占位符，用于记录 Agent 的中间思考过程和工具调用历史。

2. 它的作用

# 这个占位符会被自动填充以下内容：
- Agent的思考过程（Thought）
- 调用了什么工具（Action）
- 工具返回的结果（Observation）
- 多轮对话的完整历史

3. 实际运行中的数据填充

以天气查询为例，agent_scratchpad 会被填充的内容：

# agent_scratchpad 中实际存储的内容
"""
Thought: 用户询问北京天气，我需要使用搜索工具获取实时信息
Action: web_search
Action Input: {"query": "北京今天天气"}
Observation: [{"title": "北京天气", "content": "今天北京晴，温度-2~12℃..."}]
Thought: 我已经获取到天气信息，可以回答用户了
"""

4. 为什么需要 agent_scratchpad？

场景1：多轮工具调用

# 如果没有 agent_scratchpad，Agent 会忘记之前的调用
第一轮：调用工具A → 忘记
第二轮：重新思考 → 效率低

# 有 agent_scratchpad，Agent 能记住上下文
第一轮：调用工具A → 记录到 scratchpad
第二轮：基于之前的结果继续思考

场景2：复杂推理

# Agent 的完整思考链条都保存在 scratchpad 中
{
    "agent_scratchpad": [
        "Thought: 我需要先查询北京天气",
        "Action: web_search",
        "Observation: 获取到天气数据",
        "Thought: 还需要查询空气质量",
        "Action: web_search",
        "Observation: 获取到AQI指数",
        "Thought: 现在可以完整回答用户了"
    ]
}

5. 实际代码示例对比

❌ 错误示例：没有 agent_scratchpad

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手"),
    ("human", "{input}"),
    # 缺少 agent_scratchpad
])

# Agent 执行过程（问题）：
# 第一轮：调用工具 → 得到结果
# 第二轮：忘记了第一轮的结果 → 重新调用工具
# 导致：重复调用、效率低、可能无限循环

✅ 正确示例：有 agent_scratchpad

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手"),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad"),  # 记录思考过程
])

# Agent 执行过程（优点）：
# 1. 调用工具 web_search("北京天气")
# 2. 将这次调用记录到 scratchpad
# 3. 基于 scratchpad 中的结果继续思考
# 4. 不需要重复调用，直接使用已有结果

6. 可视化工作流程

┌─────────────────────────────────────┐
│         用户输入                     │
│     "查询北京今天的天气"              │
└───────────────┬─────────────────────┘
                ↓
┌─────────────────────────────────────┐
│      Agent 接收输入                   │
│   提示词模板包含：                     │
│   - 系统提示                          │
│   - 用户输入                          │
│   - agent_scratchpad (初始为空)       │
└───────────────┬─────────────────────┘
                ↓
┌─────────────────────────────────────┐
│     Agent 思考过程                    │
│   写入 scratchpad:                    │
│   "Thought: 需要查询天气"              │
└───────────────┬─────────────────────┘
                ↓
┌─────────────────────────────────────┐
│     调用工具                          │
│   写入 scratchpad:                    │
│   "Action: web_search"                │
│   "Action Input: 北京天气"             │
└───────────────┬─────────────────────┘
                ↓
┌─────────────────────────────────────┐
│     工具返回结果                      │
│   写入 scratchpad:                    │
│   "Observation: 北京今天晴..."        │
└───────────────┬─────────────────────┘
                ↓
┌─────────────────────────────────────┐
│     Agent 继续思考                    │
│   读取 scratchpad 中的历史：           │
│   - 已经调用过工具                     │
│   - 已经有搜索结果                     │
│   得出结论："可以回答用户了"            │
└───────────────┬─────────────────────┘
                ↓
┌─────────────────────────────────────┐
│     生成最终回答                      │
│   基于 scratchpad 中的完整信息         │
└─────────────────────────────────────┘

7. 调试时查看 scratchpad 内容

# 在代码中查看 scratchpad 内容
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 设置为True可以看到scratchpad的内容
)

# 输出示例：
"""
> Entering new AgentExecutor chain...
Thought: 我需要查询北京天气
Action: web_search
Action Input: 北京天气
Observation: {"temperature": "3°C", "weather": "阴天"}
Thought: 我已经获取到天气信息
Final Answer: 北京今天天气...
"""

8. 总结

MessagesPlaceholder("agent_scratchpad") 的核心作用：

功能	说明
记忆功能	记录Agent的思考轨迹和工具调用历史
上下文保持	确保多轮交互中的信息连贯性
避免重复	防止Agent重复调用相同的工具
调试辅助	通过verbose=True可以查看完整推理过程
错误恢复	出错时可以回溯之前的步骤

简单理解：

• 就像人类的草稿纸，记录思考过程
• 防止Agent"失忆"
• 让Agent的推理更加连贯和准确

没有这个占位符，Agent就会像一个健忘的人，每步都要重新思考，效率低下且容易出错。