LangChain @tool 装饰器——定义工具
工具（Tool）是 Agent 与外部世界交互的桥梁。
通过 @tool 装饰器，你可以将任何 Python 函数快速转换为 Agent 可调用的工具。
@tool 基本语法
@tool 是 LangChain 提供的装饰器，用法极其简单：在函数上加上 @tool 装饰器，函数就变成了一个工具。
实例
python
from langchain.tools import tool
# 最简单的工具：一个普通函数 + @tool 装饰器
@tool
def hello_tool(name: str) -> str:
"""向指定的人打招呼。
Args:
name: 要打招呼的人的名字
"""
return f"你好，{name}！欢迎来到菜鸟教程 RUNOOB。"
# 工具也是普通的 Python 函数，可以直接调用
result = hello_tool.invoke({"name": "小明"})
print(result)
# 工具包含自动生成的描述信息
print(f"\n工具名称: {hello_tool.name}")
print(f"工具描述: {hello_tool.description}")运行结果：
python
你好，小明！欢迎来到菜鸟教程 RUNOOB。
工具名称: hello_tool
工具描述: 向指定的人打招呼。
Args:
name: 要打招呼的人的名字函数的文档字符串（docstring）会自动成为工具的描述。Agent 依赖这个描述来判断"这个工具能做什么"和"什么情况下应该调用它"。文档字符串写得越清晰，Agent 使用工具就越准确。在描述中说明参数含义、函数功能和使用场景。
使用不同参数类型
@tool 支持多种参数类型，包括 int、float、bool 和枚举值：
实例
python
from langchain.tools import tool
from typing import Literal
@tool
def search_courses(
keyword: str,
level: Literal["入门", "进阶", "高级"],
max_results: int = 5,
free_only: bool = True,
) -> str:
"""在菜鸟教程 RUNOOB 中搜索课程。
Args:
keyword: 搜索关键词
level: 课程难度级别
max_results: 最多返回多少条结果
free_only: 是否只显示免费课程
"""
# 模拟搜索结果
courses = {
("python", "入门"): "Python3 基础教程（免费）",
("python", "进阶"): "Python 数据分析实战（免费）",
("python", "高级"): "Python 机器学习进阶（会员）",
("html", "入门"): "HTML 基础教程（免费）",
}
key = (keyword.lower(), level)
course = courses.get(key, f"未找到 {level} 级别的 {keyword} 课程")
if free_only and "会员" in course:
return f"搜索结果：{course} —— 该课程需要会员，已为你过滤"
return f"搜索结果：{course}"
# 测试不同参数的调用
print(search_course.invoke({
"keyword": "python",
"level": "入门",
}))
# 输出：搜索结果：Python3 基础教程（免费）
print(search_course.invoke({
"keyword": "python",
"level": "高级",
"free_only": False,
}))
# 输出：搜索结果：Python 机器学习进阶（会员）注册工具到 Agent
将定义好的工具传给 create_agent() 的 tools 参数，Agent 就能使用它了：
实例
python
from dotenv import load_dotenv
load_dotenv()
from langchain.tools import tool
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
@tool
def search_courses(keyword: str) -> str:
"""在菜鸟教程 RUNOOB 中搜索课程。传入关键词返回相关课程列表。
Args:
keyword: 搜索关键词，如 python、html、java
"""
courses = {
"python": "Python3 基础教程、Python 数据分析、Python 爬虫入门",
"html": "HTML 基础教程、HTML5 新特性、HTML 表单实战",
"java": "Java 基础教程、Java 面向对象、Java Spring 框架",
}
return courses.get(keyword.lower(), f"未找到与 {keyword} 相关的课程")
@tool
def get_course_detail(course_name: str) -> str:
"""获取指定课程的详细信息，包括章节数和学习时长。
Args:
course_name: 课程名称，如 "Python3 基础教程"
"""
details = {
"python3 基础教程": "共 30 章，预计学习时长 20 小时，适合零基础入门",
"html 基础教程": "共 25 章，预计学习时长 15 小时，适合零基础入门",
}
return details.get(
course_name.lower(),
f"{course_name} 详情：适合初学者，内容丰富，附带实战案例"
)
# 创建 Agent
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
tools=[search_courses, get_course_detail],
system_prompt="你是菜鸟教程 RUNOOB 的学习顾问，帮助用户找到合适的课程。",
)
# 运行 Agent
def ask(question: str):
result = agent.invoke({"messages": [HumanMessage(content=question)]})
print(f"用户: {question}")
print(f"顾问: {result['messages'][-1].content}")
print("-" * 60)
ask("我想学 Python，有什么课程推荐？")
ask("Python3 基础教程学完需要多久？")运行结果：
python
用户: 我想学 Python，有什么课程推荐？
顾问: 在菜鸟教程 RUNOOB 中有以下 Python 相关课程：
Python3 基础教程、Python 数据分析、Python 爬虫入门。
这些课程很适合 Python 初学者和进阶学习者，您可以根据兴趣选择！
------------------------------------------------------------
用户: Python3 基础教程学完需要多久？
顾问: Python3 基础教程共 30 章，预计学习时长 20 小时，非常适合零基础入门学习。
------------------------------------------------------------多个工具协作
一个 Agent 可以注册多个工具，模型会自动判断何时使用哪个工具：
实例
python
from langchain.tools import tool
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
@tool
def get_stock_price(symbol: str) -> str:
"""查询股票当前价格。
Args:
symbol: 股票代码，如 AAPL、GOOGL、TSLA
"""
# 模拟股票数据
prices = {"AAPL": 185.50, "GOOGL": 142.30, "TSLA": 245.80}
price = prices.get(symbol.upper())
if price is None:
return f"未找到股票代码 {symbol}"
return f"{symbol.upper()} 当前价格：${price}"
@tool
def convert_currency(amount: float, from_currency: str, to_currency: str) -> str:
"""货币换算。
Args:
amount: 金额
from_currency: 原货币代码，如 USD、CNY
to_currency: 目标货币代码，如 CNY、USD
"""
# 模拟汇率
rates = {
("USD", "CNY"): 7.25,
("CNY", "USD"): 0.138,
}
rate = rates.get((from_currency.upper(), to_currency.upper()))
if rate is None:
return f"不支持 {from_currency} → {to_currency} 的换算"
result = round(amount * rate, 2)
return f"{amount} {from_currency} = {result} {to_currency}"
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
tools=[get_stock_price, convert_currency],
system_prompt="你是一个金融助手，帮助用户查询股价和换算货币。",
)
# Agent 会自动决定调用哪个工具
result = agent.invoke({
"messages": [HumanMessage(content="苹果股价是多少？换算成人民币是多少？")]
})
for msg in result["messages"]:
if msg.type == "tool":
print(f"[调用工具 {msg.name}] {msg.content}")
elif msg.type == "ai" and msg.content:
print(f"\n最终回答: {msg.content}")运行结果：
python
[调用工具 get_stock_price] AAPL 当前价格：$185.5
[调用工具 convert_currency] 185.5 USD = 1344.88 CNY
最终回答: 苹果（AAPL）当前股价为 $185.50，按当前汇率换算约为 1344.88 人民币。工具的可选参数与默认值
为工具参数设置默认值，可以让工具用起来更灵活：
实例
python
from langchain.tools import tool
@tool
def recommend_tutorial(
language: str,
level: str = "入门",
count: int = 3,
) -> str:
"""根据编程语言和难度推荐菜鸟教程 RUNOOB 的课程。
Args:
language: 编程语言，如 Python、Java、HTML
level: 难度级别，可选 "入门"、"进阶"、"高级"。默认 "入门"
count: 推荐的课程数量，默认 3
"""
tutorials = {
"python": ["Python3 基础", "Python 面向对象", "Python 爬虫", "Python 数据分析"],
"java": ["Java 基础", "Java 面向对象", "Java 集合框架", "Java 多线程"],
}
all_tutorials = tutorials.get(language.lower(), [f"{language} 基础教程"])
selected = all_tutorials[:count]
return f"推荐 {language} {level} 级别课程：{'、'.join(selected)}"
# 调用时只需要传必填参数
print(recommend_tutorial.invoke({"language": "Python"}))
# 输出：推荐 Python 入门 级别课程：Python3 基础、Python 面向对象、Python 爬虫
# 也可以覆盖默认参数
print(recommend_tutorial.invoke({
"language": "Java",
"level": "进阶",
"count": 2,
}))
# 输出：推荐 Java 进阶 级别课程：Java 基础、Java 面向对象默认值让 Agent 在调用工具时不用每次都指定所有参数。但注意：如果某个参数没有默认值且 Agent 没有提供，调用会失败。关键参数不要设默认值。
工具的 args_schema——自定义参数校验
对于复杂参数校验需求，可以使用 Pydantic 模型作为 args_schema：
实例
python
from pydantic import BaseModel, Field
from langchain.tools import tool
# 定义参数模型（提供更精细的参数控制）
class CourseSearchInput(BaseModel):
"""搜索课程参数"""
keyword: str = Field(
description="搜索关键词，支持模糊匹配",
min_length=1, # 最少 1 个字符
max_length=50, # 最多 50 个字符
)
category: str = Field(
default="all",
description="课程类别：all（全部）、frontend（前端）、backend（后端）、data（数据科学）",
pattern=r"^(all|frontend|backend|data)$", # 限定可选值
)
page: int = Field(
default=1,
description="页码，从 1 开始",
ge=1, # 大于等于 1
le=100, # 小于等于 100
)
@tool(args_schema=CourseSearchInput)
def search_course(keyword: str, category: str = "all", page: int = 1) -> str:
"""在菜鸟教程 RUNOOB 中搜索课程"""
return f"搜索 '{keyword}' (分类: {category}, 第 {page} 页)：共找到 15 条结果"
# 有效调用
print(search_course.invoke({"keyword": "Python", "category": "backend", "page": 1}))
# 无效调用（category 不在允许的值内）
try:
search_course.invoke({"keyword": "Python", "category": "invalid"})
except Exception as e:
print(f"参数校验失败: {e}")运行结果：
python
搜索 'Python' (分类: backend, 第 1 页)：共找到 15 条结果
参数校验失败: ...工具定义方式对比
| 方式 | 代码量 | 适用场景 | 示例 |
|---|---|---|---|
| @tool 装饰器 | 最少 | 简单到中等复杂度的工具 | 大多数场景 |
| @tool + args_schema | 中等 | 需要精细参数校验的工具 | API 封装、数据库操作 |
| Pydantic 类作为工具 | 较多 | 复杂业务逻辑的工具 | 内部包含状态的工具 |
| 字典格式 | 最少（但不推荐） | 描述远程/内置工具 | MCP 工具、服务端工具 |
AI 思考中...