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！大家感兴趣可关注笔者微信公众号: 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。

PS:鉴于后台私信越来越多，我建了一些大模型交流群，大家在日常学习生活工作中遇到的大模型知识和问题都可以在群中分享出来大家一起解决！如果大家想交流大模型知识，可以关注我并回复加群。

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https://python.langchain.com/docs/integrations/tools/ 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

1. 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。

2. 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 pd

from 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 pd

from 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)

 这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

​​​​​​​

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 JsonOutputKeyToolsParser

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 = llm_with_tools | parser
response = 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 | parser
response = 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 | tool

response = 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 pd

from 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 JsonOutputKeyToolsParser
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="",)
# 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 | tool
response = 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地调用外部工具。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

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

1. 本次分享同样使用, 大家登录心知天气官网（https://www.seniverse.com/）并在控制台申请免费的api key即可，具体步骤可见笔者文章。

2. 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:

1. 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)

2. 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, 添加如下内容:​​​​​​​

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：

3. 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)

4. 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的微信公众号：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。

之前商界有位名人说过：“站在风口，猪都能吹上天”。这几年，AI大模型领域百家争鸣，百舸争流，明显是这个时代下一个风口！

那如何学习大模型&AI产品经理？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

只要你是真心想学AI大模型，我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

如果你也想通过学大模型技术去帮助就业和转行，可以点扫描下方链接👇👇
大模型重磅福利：入门进阶全套104G学习资源包免费分享！
​

01.从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点
​

​

02.AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

​

​​​

03.学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

​

04.大模型面试题目详解

​

​

05.这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

​
​

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
​