手把手：在 LangChain 里用 Tool 与 Toolkit 搭建一个 Agent

原创

HELLO程序员

发布于 2026-10-26 14:18:39

2210

手把手：在 LangChain 里用 Tool 与 Toolkit 搭建一个 Agent

先理解 Agent 的组成

LangChain 文档对 Agent 的定义很清晰：一个能够感知环境、对环境采取行动、并基于目标做智能决策的实体。而让这一切在软件里成为可能的，是 LLM 的推理能力——LLM 就是 Agent 的大脑，它负责思考如何完成用户提出的请求。

除了大脑，Agent 还需要「手脚」——也就是 Tool（工具）。Agent 通过工具与环境交互：查股票行情、更新日历事件、跑数据库查询……都可以封装成工具。而一组工具的集合，就叫 Toolkit。实现层面，Toolkit 就是一个工具数组。

所以一个最基础的 Agent 只需要两样东西：

一个 LLM 充当大脑，提供推理能力
一批 Tool 让它可以操作环境、达成目标

从零构建一个数学 Agent

概念好懂，动手才有感觉。我们来做一个「数学 Agent」，支持加、乘、平方三种运算。

环境准备

mkdir simple-math-agent && cd simple-math-agent
touch math-agent.py
python3 -m venv .venv && source .venv/bin/activate
pip install langchain langchain_openai

定义工具

方式一：继承 BaseTool

最底层的做法是继承 BaseTool，设置 name、description，实现 _run 方法：

from langchain_core.tools import BaseTool

class AddTool(BaseTool):
    name = "add"
    description = "将两个数相加"
    args_schema = AddInput
    return_direct = True

    def _run(self, a: int, b: int, run_manager=None) -> str:
        return a + b

args_schema 需要提供一个 pydantic 模型来声明入参：

class AddInput(BaseModel):
    a: int = Field(description="第一个数")
    b: int = Field(description="第二个数")

方式二：@tool 装饰器（推荐）

LangChain 提供了更简洁的 @tool 装饰器，背后会自动帮你做 BaseTool 的封装：

from langchain.tools import tool

@tool
def add(a: int, b: int) -> int:
    """将两个数相加"""   # docstring 会自动成为工具描述
    return a + b

装饰器版的约定：

方法名即工具名
方法参数即工具入参
docstring 即工具描述

可以看到这些属性都暴露了出来：

print(add.name)         # add
print(add.description)  # 将两个数相加
print(add.args)         # {'a': {...}, 'b': {...}}

> ⚠️ 工具描述非常重要——这是 LLM 判断「该不该用这个工具」的依据。描述写不好，工具要么该用时不用、要么不该用时乱用。

再补两个工具：

@tool
def multiply(a: int, b: int) -> int:
    """将两个数相乘"""
    return a * b

@tool
def square(a) -> int:
    """计算一个数的平方"""
    a = int(a)
    return a * a

组装 Toolkit

Toolkit 一点也不神秘，就是把工具放进一个列表：

toolkit = [add, multiply, square]

实际项目中，Toolkit 通常是「能协作完成某类任务」的工具组，比如一个 SQL Toolkit 可能包含：生成 SQL 查询、校验 SQL、执行 SQL 三个工具。LangChain 社区还维护了一大批现成的 Toolkit 可以直接用。

配置 LLM

LLM 是 Agent 的大脑：它根据问题决定调哪个工具、下一步做什么、什么时候该结束并返回答案。

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo-1106", temperature=0)

编写 Prompt

Agent 需要一个 ChatPromptTemplate，核心是 system prompt 部分——告诉它自己是什么角色、该解决什么任务：

prompt = ChatPromptTemplate.from_messages([
    ("system", """
        你是一个数学助手。请使用工具回答问题。
        如果没有工具可以回答，请直接说明。
        只返回答案本身，例如：
        Human: 1 + 1 等于多少？
        AI: 2
    """),
    MessagesPlaceholder("chat_history"),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad"),
])

示例问答是让 Agent 学会「只输出答案、不要废话」的有效手段。

组装并测试 Agent

agent = create_agent(llm=llm, tools=toolkit, prompt=prompt)
print(agent.invoke("3 的平方是多少？"))   # 9
print(agent.invoke("12 乘以 8 等于？"))    # 96

跑起来试试，Agent 会先推理、再调用对应工具、最后用简洁的答案回复你。

几点观察与最佳实践

1. 工具是能力的边界：Agent 再聪明，也只能用你给它的工具。设计工具时把粒度控制好——太粗则模型不好匹配，太细则调用链过长。

2. 描述决定命中率：工具 description 写清楚「做什么、参数含义」，模型才能准确选工具。

3. 从简单开始：先跑通数学 Agent 这种最小闭环，理解 LLM 决策 → 工具调用 → 结果返回的链路，再去接数据库、外部 API、复杂的业务系统。

结语

LangChain Agent 的构建门槛比想象中低：一个 LLM、几个 Tool、一个 Toolkit、一段 Prompt，就能组装出具备「感知-决策-行动」闭环的 Agent。理解这些基础积木之后，无论是接 SQL、日历还是企业系统，都是同一套模式向外延伸——这也是我推荐任何想入门 Agent 开发的团队先亲手做一个「最小 Agent」的原因。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

人工智能

#LangChain

#AI Agent

手把手：在 LangChain 里用 Tool 与 Toolkit 搭建一个 Agent

手把手：在 LangChain 里用 Tool 与 Toolkit 搭建一个 Agent

手把手：在 LangChain 里用 Tool 与 Toolkit 搭建一个 Agent

先理解 Agent 的组成

从零构建一个数学 Agent

环境准备

定义工具

组装 Toolkit

配置 LLM

编写 Prompt

组装并测试 Agent

几点观察与最佳实践

结语

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐