本文深入探讨了LangChain框架中接入内置工具和自定义工具的方法，为构建强大的AI智能体奠定基础。文章详细介绍了如何利用Python代码解释器处理数据，并通过示例展示了其在计算GDP均值等任务中的应用。同时，文章也阐述了如何通过`@tool`装饰器封装自定义函数，如查询天气，并将其与大模型绑定，实现智能体的工具调用能力。通过`bind_tools`和链式调用，LangChain能够有效地将大模型与外部工具结合，实现复杂的工作流和自动化任务，为AI智能体开发提供了系统性的指导。

💡 **LangChain内置工具的集成与使用**：文章详细演示了如何通过`pip install langchain-community langchain-experimental`安装必要的依赖，并以Python代码解释器为例，展示了如何将CSV数据加载到Pandas DataFrame中，并通过`PythonAstREPLTool`执行代码计算GDP均值。这表明LangChain能够无缝集成多种内置工具，如搜索、代码解释、自动化等，极大地扩展了大模型的应用范围。

🔧 **自定义函数与LangChain工具的绑定**：文章介绍了如何使用`@tool`装饰器将自定义Python函数（如查询天气的`get_weather`函数）转化为LangChain可识别的工具。通过为函数添加详细的注释，LangChain能够解析函数的功能、参数和返回值，为大模型调用提供清晰的接口。这使得开发者能够灵活地将现有功能或第三方API集成到智能体中。

🔗 **大模型与工具的绑定及链式调用**：文章强调了`model.bind_tools([tool])`是将工具与大模型结合的关键步骤，使大模型具备调用外部工具的能力。通过结合`ChatPromptTemplate`、`JsonOutputKeyToolsParser`和工具本身，可以构建完整的“链”（Chain），实现用户请求到工具自动执行的端到端流程。这种链式调用是构建复杂AI智能体的核心机制。

🚀 **智能体开发的核心流程**：整个流程可以概括为：准备数据和工具 -> 将工具绑定到大模型 -> 使用解析器提取工具调用信息 -> 将工具集成到链中实现自动执行。这个流程为开发者提供了一个清晰的框架，用于构建能够理解用户意图并调用相应工具来完成任务的AI智能体。

前言

本系列分享前四期分别讲述了

LangChain&LangGraph的核心原理LangChain接入大模型的基本方法LangChain核心概念——链LangChain记忆存储与多轮对话机器人搭建

学完以上内容我们掌握了LangChain代码编写的基本能力。近年来大模型如火如荼的发展，能力范围也不再局限于智能问答。在Function Calling功能、MCP协议的加持下，当下主流大模型包括Qwen、DeepSeek等已经成为能够调用各种各样工具的多面手，是智能体开发的基石。作为智能体开发当之无愧的第一框架，在MCP爆火之前，LangChain就已经可以搭建链将工具封装在对应的工作流中，也能借助LangChain Agent功能实时灵活创建不同的Chain完成复杂工具调用。从本期分享开始，我们将介绍如何在LangChain中接入工具，并进一步介绍如何使用LangChain Agent库来搭建更加复杂的工作流。

本系列分享是笔者结合自己学习工作中使用LangChain&LangGraph经验倾心编写，力求帮助大家体系化快速掌握LangChain&LangGraph AI Agent智能体开发的技能！大家感兴趣可以关注笔者掘金账号和系列专栏。更可关注笔者同名微信公众号: 大模型真好玩, 每期分享涉及的代码均可在公众号私信: LangChain智能体开发获得。

一、LangChain接入内置工具

首先我们介绍最基本的LangChain接入工具流程。LangChain生态从建立起就内置集成了非常多的实用工具，开发者可以快速调用这些工具完成更加复杂工作流的开发。大家可访问官方文档python.langchain.com/docs/integr… 查看LangChain内置工具列表。LangChain内置工具可分为Search在线搜索工具、Code Interpreter代码解释器工具、Productivit自动化工具、WebBrowsing浏览器自动化工具、Database数据库工具等多种类别。

本实例我们以Python代码解释器工具为例，介绍如何将内置工具接入LangChain工作流中:

1.1 环境搭建与数据准备

在我们创建的名为langchainenv的anaconda虚拟环境下执行pip install langchain-community langchain-experimental命令安装内置工具的依赖包。



本次分享通过一个“各城市基本情况表”测试LangChain内置代码解释器工具功能， 表格不同列的含义如下表所示，具体数据大家可以关注笔者的同名微信公众号：大模型真好玩， 并私信: LangChain智能体开发 免费获得。

列名	中文含义	说明
jisuCity	城市名称	城市的标准名称，例如东京、德里、上海等。
Country	国家	城市所属的国家，例如日本、印度、中国等。
Continent	大洲	城市所在的大洲，例如亚洲、南美洲、非洲等。
Population	人口	城市的人口数量，单位为“人”。
GDP_Billion_USD	GDP（十亿美元）	城市的国内生产总值，单位为“十亿美元”。
Avg_Temperature_C	平均气温（摄氏度）	城市的年平均气温，单位为“摄氏度”。
Annual_Rainfall_mm	年降雨量（毫米）	城市的年降雨量，单位为“毫米”。
Cost_of_Living_Index	生活成本指数	城市的生活成本指数，数值越高表示生活成本越高（基准通常为纽约=100）。
Happiness_Index	幸福指数	城市的居民幸福指数，数值越高表示居民幸福感越强。
Year	年份	数据对应的年份，例如2023年。
Area_km2	面积（平方公里）	城市的面积，单位为“平方公里”。
Literacy_Rate	识字率（百分比）	城市居民的识字率，单位为“百分比”。
Internet_Penetration	互联网普及率（百分比）	城市中使用互联网的人口比例，单位为“百分比”。

1.2 测试LangChain内置代码解释器工具功能

首先我们学习LangChain中工具调用的基本方法，执行如下代码调用LangChain的代码解释器求取不同城市的GDP均值:

import pandas as pdfrom langchain_experimental.tools import PythonAstREPLTool # 从LangChain依赖库引入Python代码解释器df = pd.read_csv('global_cities_data.csv')tool = PythonAstREPLTool(locals={"df": df}) # 传递给代码解释器的局部变量，这里是读取表格内容的pandas对象res = tool.invoke("df['GDP_Billion_USD'].mean()") # 计算变量GDP的均值print(res)

上述代码通过指定LangChain代码解释器的变量内容，并调用tool.invoke()执行表达式语句。LangChain代码解释器执行并返回结果。

1.3 创建LangChain工作流并绑定内置工具

LangChain代码解释器工具不但可以执行代码，还可以通过model.bind()与大模型组件绑定，让大模型具备调用工具的能力。

import pandas as pdfrom langchain.chat_models import init_chat_modelfrom langchain_experimental.tools import PythonAstREPLTool # 从LangChain依赖库引入Python代码解释器df = pd.read_csv('global_cities_data.csv')tool = PythonAstREPLTool(locals={"df": df}) # 传递给代码解释器的局部变量，这里是读取表格内容的pandas对象# 使用 硅基流动 模型model = init_chat_model(    model="Qwen/Qwen3-8B",    model_provider="openai",    base_url="https://api.siliconflow.cn/v1/",    api_key="",)llm_with_tools = model.bind_tools([tool]) # 将工具与大模型绑定response = llm_with_tools.invoke(    "我有一张表，名为'df'，请帮我计算GDP_Billion_USD字段的均值。")print(response)

以上代码的执行结果如下,此时我们发现LangChain回复的结果不再是简单的文字内容，而是一条调用外部工具的消息，可以看到function字段内容中的name指明了调用工具的名称,query指明了要执行的代码。

有了要执行的代码，下一步要将消息中涉及到的代码运行的核心参数提取出来, 在上述代码中添加如下内容:

from langchain_core.output_parsers.openai_tools import JsonOutputKeyToolsParserparser = JsonOutputKeyToolsParser(key_name=tool.name, first_tool_only=True)llm_with_tools = model.bind_tools([tool]) # 将工具与大模型绑定llm_chain = llm_with_tools | parserresponse = llm_chain.invoke(    "我有一张表，名为'df'，请帮我计算GDP_Billion_USD字段的均值。")print(response)

执行结果如下, JsonOutputKeyToolsParser将核心代码提取出来

这就完啦？别忘了我们还没有做到LangChain代码的自动执行呢，进一步优化代码。首先增加提示词模板，让模型知道目前运行环境，从而无需反复提示df变量:

# 添加提示词模板system = f"""你可以访问一个名为 `df` 的 pandas 数据框，你可以使用df.head().to_markdown() 查看数据集的基本信息， \请根据用户提出的问题，编写 Python 代码来回答。只返回代码，不返回其他内容。只允许使用 pandas 和内置库。"""prompt = ChatPromptTemplate([    ("system", system),    ("user", "{question}")])# 在链中加入提示词组件llm_chain = prompt | llm_with_tools | parserresponse = llm_chain.invoke(    "我有一张表，名为'df'，请帮我计算GDP_Billion_USD字段的均值。")print(response)

执行结果如下所示：

然后继续在“链”中将tool工具引入让代码自动执行（大家回顾我们所讲内容，发现LangChain工具tool也是通过invoke方法进行调用，这表明tool也是Runnable组件，可以无缝接入LangChain“链”中）。修改“链”代码如下：

llm_chain = prompt | llm_with_tools | parser | toolresponse = llm_chain.invoke(    "我有一张表，名为'df'，请帮我计算GDP_Billion_USD字段的均值。")print(response)

执行结果如下, 可看到目前LangChain已经能够准确自动执行代码。

完整的代码如下，大家可以仔细阅读。本系列分享所有的代码和数据大家均可关注笔者的同名微信公众号：大模型真好玩， 并私信: LangChain智能体开发 免费获得。

import pandas as pdfrom langchain.chat_models import init_chat_modelfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_experimental.tools import PythonAstREPLTool # 从LangChain依赖库引入Python代码解释器from langchain_core.output_parsers.openai_tools import JsonOutputKeyToolsParserdf = pd.read_csv('global_cities_data.csv')tool = PythonAstREPLTool(locals={"df": df}) # 传递给代码解释器的局部变量，这里是读取表格内容的pandas对象# 使用 硅基流动 模型model = init_chat_model(    model="Qwen/Qwen3-8B",    model_provider="openai",    base_url="https://api.siliconflow.cn/v1/",    api_key="",)# 添加提示词模板system = f"""你可以访问一个名为 `df` 的 pandas 数据框，你可以使用df.head().to_markdown() 查看数据集的基本信息， \请根据用户提出的问题，编写 Python 代码来回答。只返回代码，不返回其他内容。只允许使用 pandas 和内置库。"""prompt = ChatPromptTemplate([    ("system", system),    ("user", "{question}")])parser = JsonOutputKeyToolsParser(key_name=tool.name, first_tool_only=True)llm_with_tools = model.bind_tools([tool]) # 将工具与大模型绑定llm_chain = prompt | llm_with_tools | parser | toolresponse = llm_chain.invoke(    "我有一张表，名为'df'，请帮我计算GDP_Billion_USD字段的均值。")print(response)

大家可以多测几组验证我们代码执行的正确性：

二、 LangChain接入自定义工具

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。关于Function Calling的知识这里不加赘述，大家可以阅读我的爆款文章从0到1开发DeepSeek天气助手智能体——你以为大模型只会聊天？Function Calling让它“上天入地”

除了使用LangChain的内部工具，我们还可以自行创建外部函数并将其封装为一个LangChain“链”可调用的tool组件。具体的步骤如下：

2.1 环境准备

本次分享同样使用从0到1开发DeepSeek天气助手智能体——你以为大模型只会聊天？Function Calling让它“上天入地”文章中介绍的心知天气api, 大家登录心知天气官网并在控制台申请免费的api key即可，具体步骤可见笔者文章。





编写获取天气函数，只要传入城市名，即可获得相应的温度和天气状况:

import requestsdef get_weather(loc):    url = "https://api.seniverse.com/v3/weather/now.json"    params = {        "key": "你注册的心知天气api_key",        "location": loc,        "language": "zh-Hans",        "unit": "c",    }    response = requests.get(url, params=params)    temperature = response.json()    return temperature['results'][0]['now']print(get_weather('北京'))

执行结果如下:

2.2 LangChain接入天气函数

LangChain接入自定义函数的流程比较简单:

首先引入tool装饰器，让LangChain能够识别外部函数，注意函数介绍注释必须完整，装饰器通过读取注释提炼识别函数的内容:

import requestsfrom langchain_core.tools import tool@tooldef get_weather(loc):    """        查询即时天气函数        :param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\        :return：心知天气 API查询即时天气的结果，具体URL请求地址为："https://api.seniverse.com/v3/weather/now.json"        返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息    """    url = "https://api.seniverse.com/v3/weather/now.json"    params = {        "key": "你注册的心知天气api key",        "location": loc,        "language": "zh-Hans",        "unit": "c",    }    response = requests.get(url, params=params)    temperature = response.json()    return temperature['results'][0]['now']print(get_weather.name)print(get_weather.description)print(get_weather.args)



同样的我们引入大模型并使用bind_tools方法将工具绑定到大模型上，接下来就可以通过“链”的invoke方法调用模型, 代码如下:

from langchain.chat_models import init_chat_model# 使用 硅基流动 模型model = init_chat_model(    model="Qwen/Qwen3-8B",    model_provider="openai",    base_url="https://api.siliconflow.cn/v1/",    api_key="",)tools = [get_weather]llm_with_tools = model.bind_tools(tools)response = llm_with_tools.invoke("你好， 请问北京的天气怎么样？")print(response)

调用结果显示大模型产生了一个tool_calls响应，其中包含了要执行的函数名称和参数名称：



同样的我们调用JsonOutputKeyToolsParser输出解析器来处理模型响应将函数参数提取出来

parser = JsonOutputKeyToolsParser(key_name=get_weather.name, first_tool_only=True)llm_chain = llm_with_tools | parserresponse = llm_chain.invoke("你好， 请问北京的天气怎么样？")print(response)



将我们的函数组件接入链，完成模型的的自动运行，添加如下代码:

get_weather_chain = llm_chain | get_weatherresponse = get_weather_chain.invoke("请问上海今天天气如何?")print(response)

以上就是我们今天分享的全部内容，整体的流程还是比较清晰的，大家下来尝试编写函数并接入LangChain吧！

三、总结

本期内容分享了LangChain接入内部工具和自定义工具函数的方法，也是LangChain智能体开发最重要的内容之一。整体的流程一致：先将工具使用model.bind()绑定到大模型上，然后通过JsonOutputKeyToolsParser解析返回结果，最后经过工具函数自动执行。下一期的内容我们将学习LangChain智能体对工具函数串联、并联等结构编排的知识，大家一起期待吧！

本系列分享预计会有20节左右的规模，保证大家看完一定能够掌握LangChain&LangGraph的开发能力，大家感兴趣可关注笔者掘金账号和专栏，更可关注笔者的同名微信公众号：大模型真好玩， 本系列分享的全部代码均可在微信公众号私信笔者: LangChain智能体开发 免费获得。