[智能体-130]：LangChain中定义好的工具，会被LangChain智能体框架和大模型识别，自动会被LangChain调用，并把调用的送给大模型，由大模型做整合后回复给智能体

文火冰糖的硅基工坊

92人浏览 · 2026-05-29 00:42:41

文火冰糖的硅基工坊 · 2026-05-29 00:42:41 发布

LangChain中定义好的工具，会被LangChain智能体框架和大模型识别，自动会被LangChain调用，并把调用的送给大模型，由大模型做整合后回复给智能体，不需要大模型应用程序员根据大模型的输出去显式的调用定义好的tool

这正是 LangChain 和 "原生 OpenAI API 手写工具调用" 的本质区别：LangChain 把 "工具调用的全流程自动化" 做成了框架内置能力，程序员只需要做两件事：

用标准方式定义工具（@tool装饰器等）
把工具列表传给 AgentExecutor

剩下的所有环节：工具定义转模型格式、解析模型的工具调用指令、执行本地函数、把结果返回给模型、循环判断是否需要继续调用、直到生成最终回答，全部由 LangChain 框架自动完成，不需要你写任何if model_output.has_tool_call() then call_tool()这样的显式判断和调用代码。

一、先看最直观的对比：原生 API vs LangChain

1. 原生 OpenAI API 手写工具调用（需要你显式写调用逻辑）

python

运行

# 原生API：你必须手动处理整个工具调用循环
import openai

client = openai.OpenAI()
tools = [{"type": "function", "function": {"name": "add", "parameters": {...}}}]

def add(a, b): return a + b

# 你必须手写这个循环
def chat(query):
    messages = [{"role": "user", "content": query}]
    while True:
        # 1. 调用模型
        res = client.chat.completions.create(model="gpt-3.5-turbo", messages=messages, tools=tools)
        msg = res.choices[0].message
        messages.append(msg)
        
        # 2. 你必须显式判断：模型有没有要调用工具
        if not msg.tool_calls:
            return msg.content  # 没有就返回
        
        # 3. 你必须显式解析工具调用参数
        for tool_call in msg.tool_calls:
            func_name = tool_call.function.name
            args = eval(tool_call.function.arguments)
            
            # 4. 你必须显式调用对应的本地函数
            if func_name == "add":
                result = add(**args)
            
            # 5. 你必须显式把结果拼回消息列表
            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": str(result)
            })

所有标粗的步骤，都是你必须手写的胶水代码，每加一个工具就要改一次判断逻辑。

2. LangChain Agent（完全自动，无显式调用代码）

python

运行

from langchain.tools import tool
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate

# 1. 你只需要定义工具
@tool
def add(a: int, b: int) -> int:
    """计算两个整数的和"""
    return a + b

# 2. 你只需要初始化框架
llm = ChatOpenAI(model="gpt-3.5-turbo")
tools = [add]
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是会用工具的助手"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")
])
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools)

# 3. 你只需要一行调用，剩下的全自动
result = agent_executor.invoke({"input": "123+456等于多少"})
print(result["output"])

没有任何if判断、没有任何工具调用解析、没有任何结果拼接代码，全部由框架自动完成。

二、LangChain 自动化工具调用的完整内部流程

我把你说的这句话，拆解成框架内部精确的执行步骤，你就能清楚看到每一步是谁在做：

plaintext

用户输入 → AgentExecutor（框架）启动循环
    ↓
1. 框架自动：把你定义的所有@tool工具，转换成大模型能理解的JSON Schema格式
    ↓
2. 框架自动：把用户输入+历史对话+工具定义，打包成标准消息发给大模型
    ↓
3. 大模型决策：要不要调用工具？调用哪个？传什么参数？
    ↓
4. 框架自动：解析大模型返回的工具调用指令（不需要你写解析代码）
    ↓
5. 框架自动：根据工具名，找到你定义的本地Python函数，自动传入参数执行
    ↓
6. 框架自动：把工具执行结果，包装成标准的ToolMessage，追加到对话历史
    ↓
7. 框架自动：把包含工具结果的完整历史，再次发给大模型
    ↓
8. 大模型判断：信息足够了吗？
    → 不够：回到步骤4，继续自动调用下一个工具
    → 足够：生成最终回答
    ↓
9. 框架自动：终止循环，把最终回答返回给你

核心结论：