LangChain內置工具包和聯網搜索

一、什么是智能體?工具包又是什么？

二、智能體(Agent)的出現是為了解決哪些問題？

三、LangChain里面創建工具方式

?3.1??@tool 裝飾器：用來定義一個簡單的工具函數,, 可以直接給函數加上這個裝飾器，讓函數成為可調用的工具

3.2?StructuredTool

3.3?繼承BaseTool子類進行創建工具?

四、LangChain工具包

4.1 如何使用內置工具包【聯網搜索例子】

4.2 內置工具包整合LLM

4.3工具包調用Log

五、LangChain智能體執行引擎AgentExecutor

導讀：本文圍繞如何利用LangChain構建一個能夠通過自然語言與MySQL數據庫交互的AI智能體展開，詳細介紹了從問題理解到SQL生成、執行再到結果解析的完整流程。文章首先強調了該智能體的核心能力：將用戶提出的自然語言問題轉化為結構化查詢語句（如“統計每個地區的銷量”），并自動連接數據庫執行查詢。在此基礎上，系統還能將原始數據以更易理解的方式呈現給用戶（例如將數值結果轉換為自然語言描述）。此外，智能體具備自動修正SQL語法錯誤的能力，提高了系統的魯棒性和用戶體驗。技術實現上使用了LangChain中的SQLDatabaseToolkit和create_sql_agent工具，結合LLM（如Qwen）進行推理與決策，實現了端到端的數據交互流程

一、什么是智能體?工具包又是什么？

智能體是一種具備自主決策能力的AI系統，通過感知環境、分析信息、調用工具、執行動作的閉環過程完成任務
智能體 = 大語言模型（LLM） + 工具（Tools） + 記憶（Memory）

智能體類比就是：一個具備自主決策能力的虛擬助手，能根據目標自主調用工具完成任務

二、智能體(Agent)的出現是為了解決哪些問題？

大模型的短板：雖然大語言模型（LLM）擅長文本生成，但缺乏：

實時數據獲取能力（如天氣/股票）、精確數學計算能力

專業領域知識（如法律/醫療）、外部系統對接能力

Tool工具就是解決這類問題的，通過Tool機制，好比給大模型插入翅膀

大白話解釋： 你可以把“工具”理解為你在寫程序時定義的一個個方法或函數。比如在 Java 或 Python 中，你經常會封裝一些功能，用來完成特定的任務。如果這個方法是用來調用外部服務的 API（比如高德地圖的開放接口），那它就是一個“工具”。

以高德地圖為例，如果你想獲取某個地點的數據，可能需要向高德提供的 API 發送請求。這時候你就可以在 Python 中寫一個方法，讓它去調用這個 API，然后把結果返回給你。只要在這個方法上加上特定的注解（比如 @tool），它就會被識別為一個“工具”，可以在系統中被自動發現和使用。

簡單來說，這個“工具”就是幫你干活的小助手，它可以聯網、調用外部接口、執行任務，最終幫你拿到想要的信息或者完成某個操作。

三、LangChain里面創建工具方式

@tool裝飾器

通過簡單的@tool裝飾器或StructuredTool即可實現，適用于大多數用例,

@tool但不能同時有同步和異步的方法，只能單獨使用

LangChain Runnables

接受字符串或字典輸入的LangChain Runnables使用as_tool方法轉換為工具

允許為參數指定名稱、描述和其他模式信息；

繼承BaseTool類：

通過從BaseTool進行子類化來定義自定義工具，提供了對工具定義的最大控制，但需要編寫更多的代碼。

?3.1??@tool 裝飾器：用來定義一個簡單的工具函數,, 可以直接給函數加上這個裝飾器，讓函數成為可調用的工具

from langchain_core.tools import tool@tool
def multiply(a: int, b: int) -> int:"""把傳遞的兩個參數相乘"""return a * bprint("工具名稱:", multiply.name)
print("工具描述:", multiply.description)
print("工具參數:", multiply.args)
print("工具返回值:", multiply.return_direct)
print("工具詳細的schema:", multiply.args_schema.model_json_schema())print(multiply.invoke({"a": 2, "b": 3}))
# 定義了一個 `multiply` 工具，用于兩個數字相乘，并在調用時顯示該工具的名稱、描述和參數列表。

3.2?`StructuredTool`

是LangChain中用于定義結構化參數工具的基類，相比普通@tool裝飾器，它支持：

嚴格的參數模式定義（基于Pydantic模型）

多參數輸入校驗

自動生成工具調用示例

適用場景：需要多個輸入參數或復雜參數類型的工具

from pydantic import BaseModel, Field
from langchain_core.tools import StructuredTool# 定義輸入參數的數據結構
class CalculatorInput(BaseModel):a: int = Field(description="第一個數字")b: int = Field(description="第二個數字")# 定義計算函數
def multiply(a: int, b: int) -> int:"""Multiply two numbers."""return a * b
# 封裝工具
calculator = StructuredTool.from_function(func=multiply,name="Calculator",description="用于計算兩個數字的乘積",args_schema=CalculatorInput,return_direct=True,
)
print("工具名稱:", calculator.name)
print("工具描述:", calculator.description)
print("工具參數:", calculator.args)
print("工具返回值:", calculator.return_direct)
print("工具詳細的schema:", calculator.args_schema.model_json_schema())# 調用工具
print("工具調用結果:", calculator.invoke({"a": 2, "b": 3}))

3.3?繼承`BaseTool`子類進行創建工具?

from pydantic import BaseModel, Field
from typing import Type
from langchain_core.tools import BaseTool
from pydantic import BaseModelclass CalculatorInput(BaseModel):a: int = Field(description="第一個參數")b: int = Field(description="第二個參數")class CustomCalculatorTool(BaseTool):name: str = "Calculator"description: str = "當你需要計算數學問題時候使用"args_schema: Type[BaseModel] = CalculatorInputreturn_direct: bool = Truedef _run(self, a: int, b: int) -> str:"""使用工具."""return a * bcalculator = CustomCalculatorTool()
print("工具名稱:", calculator.name)
print("工具描述:", calculator.description)
print("工具參數:", calculator.args)
print("工具返回值:", calculator.return_direct)
print("工具詳細的schema:", calculator.args_schema.model_json_schema())
print(calculator.invoke({"a": 2, "b": 3}))

@tool 用的會多一些~

四、LangChain工具包

為了方便開發者快速使用各種主流工具，LangChain官方加入了很多內置工具，開箱即用

所有工具都是 BaseTool 的子類，且工具是 Runnable可運行組件，支持 invoke、stream 等方法進行調用
也可以通過 name、 description、args、 returu_direct 等屬性來獲取到工具的相關信息
如果內置工具包不滿足，即可以自定義工具
地址：https://python.langchain.com/docs/integrations/tools/

4.1 如何使用內置工具包【聯網搜索例子】

選擇對應的工具->安裝依賴包->編寫代碼實戰

搜索工具：選擇 SearchApi，注冊時100次免費搜索，注冊賬號獲取 APIKEY

代碼實操:

import os# 從langchain_community.utilities模塊中導入SearchApiAPIWrapper類，用于封裝搜索API
from langchain_community.utilities import SearchApiAPIWrapper# 設置環境變量SEARCHAPI_API_KEY，用于認證搜索API的密鑰
os.environ["SEARCHAPI_API_KEY"] = "UVWAsik11111111"# 實例化SearchApiAPIWrapper對象，用于調用搜索API
search = SearchApiAPIWrapper()# 調用run方法執行搜索操作，參數為查詢騰訊股價的中文字符串
result = search.run("今天騰訊的股價是多少")# 輸出搜索結果
print(result)

4.2 內置工具包整合LLM

這種是相對原始調用工具方式,下面章節會講經常用的簡便方式.這種是方便理解工具調用的底層方式

# 基于LangChain 0.3.x的SearchApi工具實戰（需安裝依賴）
# pip install langchain-core langchain-openai langchain-communityfrom langchain_community.utilities import SearchApiAPIWrapper
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from langchain_core.messages import ToolMessage
from langchain_core.runnables import RunnablePassthrough
from langchain_core.prompts import ChatPromptTemplateimport os
from langchain_core.tools import tool
from pydantic import Field
import loggingos.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "lsv2_pt_da11ddbcbb1111111111"
os.environ["LANGSMITH_ENDPOINT"] = "https://api.smith.langchain.com"
os.environ["LANGSMITH_PROJECT"] = "nnw_agent-search-llm"
logging.basicConfig(level=logging.DEBUG)
# ======================
# 第一步：配置搜索工具
# ======================
# 注冊SearchAPI獲取密鑰：https://www.searchapi.io/# 設置SearchAPI的API密鑰
os.environ["SEARCHAPI_API_KEY"] = "UVWAs1111111111"
# 實例化SearchApiAPIWrapper對象，用于調用搜索API
search = SearchApiAPIWrapper()# ======================
# 第二步：定義搜索工具
# ======================
@tool("web_search", return_direct=True)
def web_search(query: str) -> str:"""當需要獲取實時信息、最新事件或未知領域知識時使用，輸入應為搜索關鍵詞"""try:results = search.results(query)  # 獲取前3條結果return "\n\n".join([f"來源：{res['title']}\n內容：{res['snippet']}"for res in results["organic_results"]])except Exception as e:return f"搜索失敗：{str(e)}"# ======================
# 第三步：綁定LLM創建Agent
# ======================
# 初始化大模型
llm = ChatOpenAI(model_name="qwen-plus",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key="sk-005c3c25f6d0111111111",temperature=0.7,
)# 創建聊天提示模板
prompt = ChatPromptTemplate.from_messages([("system","你是一個AI助手,名稱叫老王，請根據用戶輸入的查詢問題，必要時可以調用工具幫用戶解答",),("human", "{query}"),]
)# 定義工具字典
tool_dict = {"web_search": web_search}# 從字典中提取工具列表
tools = [tool_dict[tool_name] for tool_name in tool_dict]# 綁定工具到大模型
llm_with_tools = llm.bind_tools(tools=tools)# 創建運行鏈
chain = {"query": RunnablePassthrough()} | prompt | llm_with_tools# 定義查詢
query = "今天北京天氣如何?"# 執行鏈并獲取響應
resp = chain.invoke({"query": query})
print(resp)# 判斷是否需要調用工具 content=''不一定需要調用，根據tool_calls進行判斷
# ======================
# 第四步：獲取工具調用
# ======================
tool_calls = resp.tool_calls
if len(tool_calls) <= 0:print(f"不需要調用工具：{resp.content}")
else:# 將歷史消息合并，包括用戶輸入和AI輸出history_messages = prompt.invoke(query).to_messages()history_messages.append(resp)print(f"歷史消息：{history_messages}")# 循環調用工具for tool_call in tool_calls:tool_name = tool_call.get("name")tool_args = tool_call.get("args")tool_resp = tool_dict[tool_name].invoke(tool_args)print(f"一次調用工具：{tool_name}，參數：{tool_args}，結果：{tool_resp}")# 將工具調用結果添加到歷史消息中history_messages.append(ToolMessage(tool_call_id=tool_call.get("id"), name=tool_name, content=tool_resp))print(f"歷史消息：{history_messages}")resp = llm_with_tools.invoke(history_messages)print(f"最終結果：{resp}")print(f"調用工具后的結果：{resp.content}")

4.3工具包調用Log

工具調用輸入和輸出

將用戶輸入的自然語言和工具列表一起輸送給大模型 --> 讓大模型進行語義理解 --> 然后大模型將需要調用的工具發送給agent -->agent進行工具調用 --> 工具調用結果同輸入的自然語言問題和提示詞等一起再送給大模型-->大模型經過最終整理后返回處理結果

五、LangChain智能體執行引擎AgentExecutor

為什么需要 AgentExecutor？

問題：當智能體（Agent）需要執行多步操作（如多次調用工具、循環推理）時，開發者需手動處理：
執行循環：根據模型輸出決定是否繼續調用工具。
錯誤處理：捕獲工具調用或模型解析中的異常。
流程控制：限制最大迭代次數，防止無限循環。
日志記錄：追蹤每一步的輸入、輸出和中間狀態。

痛點：
代碼冗余：重復編寫循環和錯誤處理邏輯。
維護成本高：復雜任務中難以保證流程穩定性。
可觀測性差：難以調試多步驟執行過程

通過上面的例子就可以知道寫起來很麻煩還要手動調用工具。

create_tool_calling_agent?

是 LangChain 0.3 新增的智能體創建方法, 要求模型直接返回工具調用參數（如 JSON 格式），減少中間解析錯誤。

結構化工具調用：顯式調用工具并傳遞結構化參數（支持復雜數據類型）

多步驟任務處理：適合需要按順序調用多個工具的場景

精準控制：通過自定義 Prompt 模板指導 Agent 行為

from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, Tool, AgentExecutor
from langchain.tools import tool
from datetime import datetime
from langchain_core.prompts import ChatPromptTemplate# 定義獲取當前日期的工具函數
@tool
def get_current_date() -> str:"""獲取當前日期"""formatted_date = datetime.now().strftime("%Y-%m-%d")return f"The current date is {formatted_date}"# 定義搜索航班的工具函數
@tool
def search_flights(from_city: str, to_city: str, date: str) -> str:"""根據城市和日期搜索可用航班"""return f"找到航班：{from_city} -> {to_city}，日期：{date}，價格：￥1200"# 定義預訂航班的工具函數
@tool
def book_flight(flight_id: str, user: str) -> str:"""預訂指定航班"""return f"用戶 {user} 成功預訂航班 {flight_id}"# 定義獲取股票價格的函數
def get_stock_price(symbol) -> str:return f"The price of {symbol} is $100."# 創建工具列表，包括獲取股票價格、搜索航班、預訂航班和獲取當前日期的工具
tools = [Tool(name="get_stock_price", func=get_stock_price, description="獲取指定的股票價格"),search_flights,book_flight,get_current_date,
]# 初始化大模型
llm = ChatOpenAI(model_name="qwen-plus",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key="sk-005cxxxxxx",temperature=0.7,
)# 定義聊天提示模板
prompt = ChatPromptTemplate.from_messages([("system", "你是一個AI助手，必要時可以調用工具回復問題"),("human", "我叫老王，經常出差，身份證號是 33333333333333"),# ("placeholder", "{chat_history}"),("human", "{input}"),("placeholder", "{agent_scratchpad}"),]
)# 創建代理 專為工具調用優化的智能體，支持結構化輸出。
agent = create_tool_calling_agent(llm, tools, prompt)# 初始化代理執行器 , verbose=True可以看到思考明細, return_intermediate_steps返回中間結果
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, return_intermediate_steps=True
)# 運行代理并獲取結果
result = agent_executor.invoke({"input": "蘋果股票是多少？根據我的行程，幫我查詢下明天的航班，從合肥去北京，并定機票"}
)
print(f"最終結果:{result}")

LLM大模型訪問MySQL業務數據庫文章瀏覽閱讀1k次，點贊25次，收藏16次。創建能通過自然語言與SQL數據庫交互的AI智能體，自動生成/執行SQL查詢并解析結果核心能力:將用戶問題（如“統計每個地區的銷量”）轉化為 SQL 查詢語句。連接數據庫執行 SQL，默認只讀模式防止數據誤修改。將數據庫返回的原始數據（如）轉換為用戶友好的回答（如“總銷售額為 $3500”）。自動修正 SQL 語法錯誤或邏輯問題（如字段名拼寫錯誤）。LangChain 中專門用于連接 SQL 數據庫并集成相關操作工具的模塊包#使用 SQLDatabase.from_uri 連接數據庫，自動讀取表結構。_大模型讀取 mysql數據庫回答https://blog.csdn.net/wnn654321/article/details/148933263?這是一個完整的例子,使用的create_sql_agent SQLDatabaseToolkit(langchain定義的工具)