企业官网建设流程全解析

一、核心概念：Tool + invoke 工具调用机制

先理清两个核心关键词，这是 LangChain 工具调用的底层基础：

• Tool（工具）：LangChain 中工具是对外部能力的封装，通过@tool装饰器或BaseTool子类定义，包含功能描述和参数约束，供 Agent 调用。
• invoke：LangChain Runnable 接口的统一执行方法。AgentExecutor.invoke()是整个 Agent 执行的入口，内部会驱动模型决策、工具调用、结果返回全流程。

简单总结：工具负责封装能力，invoke 负责驱动执行。

1.1 工具必须的两个标准化描述（核心重点）

大模型无法自动识别工具功能和入参，必须通过两个属性完成工具注册，缺一不可：

• docstring：工具功能描述，告诉模型「这个工具能做什么、什么时候调用」。
• args_schema：参数结构约束（自动从函数注解生成），规范入参类型、必填项，避免模型输出非法参数。

1.2 工具调用触发逻辑

Agent 基于消息流（message）驱动工具调用：

1. 解析用户提问 + 历史对话消息。
2. 结合工具的 docstring 和 args_schema，自主判断是否调用工具、调用哪个工具、传入什么参数。
3. 工具执行后，结果返回给模型，模型整理成自然语言回复用户。

二、完整实战代码：自定义标准化工具调用

以下为可直接运行的 Python 代码，基于 LangChain 最新稳定版，实现「自定义工具 + 标准化注册 + 模型自动调用 + invoke 执行」全流程。

前置依赖安装

pip install langchain langchain-openai python-dotenv

完整业务代码

from dotenv import load_dotenv import os from langchain_openai import ChatOpenAI from langchain.tools import tool from langchain.agents import create_tool_calling_agent, AgentExecutor from langchain_core.prompts import ChatPromptTemplate 加载环境变量 load_dotenv() 检查关键环境变量 required_vars = ["OPENAI_API_KEY", "OPENAI_BASE_URL"] for var in required_vars: if not os.getenv(var): raise ValueError(f"请设置环境变量 {var}") 1. 初始化大模型（支持工具调用） llm = ChatOpenAI( api_key=os.getenv("OPENAI_API_KEY"), base_url=os.getenv("OPENAI_BASE_URL"), model="gpt-3.5-turbo") 2. 自定义标准化工具 通过 @tool 装饰器，docstring + 参数类型注解自动生成 args_schema @tool def calculate_distance(km: float) -> str: """ 公里转英里工具，用于距离单位换算。 当用户需要将公里转换为英里时使用。 Args: km: 公里数值，浮点类型，必填 Returns: 换算后的英里结果字符串 """ mile = km * 0.621371 return f"{km} 公里 = {round(mile, 2)} 英里" 注册工具列表 tools = [calculate_distance] 3. 构建 Agent 提示词模板 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个专业的工具调用助手，优先使用工具处理用户的数值计算、单位换算问题。"), ("user", "{input}"), ("placeholder", "{agent_scratchpad}") ]) 4. 创建工具调用 Agent agent = create_tool_calling_agent(llm, tools, prompt) agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=False, # 生产环境建议关闭 handle_parsing_errors=True) 5. 执行调用（invoke 驱动整个流程） if name == "main": try: res = agent_executor.invoke({"input": "帮我换算100公里等于多少英里"}) print("最终输出结果：", res["output"]) except Exception as e: print(f"调用失败：{e}")

三、代码核心逻辑解析

3.1 工具标准化原理

通过@tool装饰器修饰函数后，LangChain 会自动完成：

• 函数注释（docstring）自动转为工具描述，供模型理解功能。
• 函数参数类型注解自动生成 args_schema（基于 Pydantic），约束入参格式。
• 工具自动适配 LangChain 工具调用协议，可被create_tool_calling_agent识别调度。

3.2 invoke 执行机制

代码中agent_executor.invoke()是统一执行入口，底层流程：

用户输入 → 模型判断需调用工具 → 按工具 schema 生成结构化参数 → 工具执行（tool.invoke） → 返回结果给模型二次整理 → 输出最终回复

3.3 扩展：MCP 协议的补充说明

MCP（Model Context Protocol）是由 Anthropic 推出的开放标准协议，用于大模型与外部工具、数据源之间的标准化通信。LangChain 社区已提供 langchain-mcp-adapters 库，可将 MCP 服务端工具无缝转换为 LangChain 工具。若需使用 MCP 协议，需额外安装 langchain-mcp-adapters，通过 MCPToolkit 连接 MCP Server，其余调用逻辑与本文一致。