🔥草莓熊Lotso：个人主页
❄️个人专栏: 《C++知识分享》 《Linux 入门到实践：零基础也能懂》
✨生活是默默的坚持，毅力是永久的享受！

---

🎬 博主简介：

---

---

前言

大语言模型（LLM）虽然在文本生成、翻译、问答等任务中表现出色，但它本质上是一个封闭的知识系统： 知识存在截止日期，无法获取实时信息，无法执行外部操作（如计算、数据库查询、API 调用），复杂任务容易出现逻辑错误或幻觉。LangChain 的出现完美解决了这些问题。它通过聊天模型接口标准化了不同 LLM 的调用方式，通过工具调用机制让 LLM 具备了与外部世界交互的能力。本文将从最基础的聊天模型定义开始，一步步带你实现一个能实时搜索天气的 AI 助手。

---

一. 定义聊天模型

LangChain 提供了统一的聊天模型接口，让你可以无缝切换 OpenAI、DeepSeek、Ollama 等不同模型提供商，无需修改业务逻辑。

1.1 ChatOpenAI：最常用的模型实现

ChatOpenAI 是 LangChain 为 OpenAI 聊天模型提供的官方实现，它继承自 BaseChatOpenAI 并实现了标准的 Runnable 接口。

核心初始化参数详解

from langchain_openai import ChatOpenAI

# 完整参数示例
model = ChatOpenAI(
    model="gpt-4o-mini",          # 模型名称
    temperature=0,                # 采样温度，0-2
    max_tokens=None,              # 最大生成令牌数
    timeout=None,                 # 请求超时时间
    max_retries=2,                # 最大重试次数
    # api_key="你的API_KEY",      # 不写则自动从环境变量读取
    # base_url="代理地址",         # 国内访问需要配置
    # organization="组织ID"       # OpenAI 组织 ID
)

关键参数深度解析：

• temperature：控制输出的随机性
  • 0：完全确定，适合代码生成、事实问答
  • 0.1-0.5：轻微变化，适合技术文档、写作
  • 0.5-1：平衡创意，适合日常对话
  • 1-2：高度随机，适合创意创作
  • >2：不推荐，通常输出无意义内容
• max_tokens：限制模型生成的最大长度
  • Token 是 LLM 处理文本的基本单位
  • 中文：1 个汉字 ≈ 1.5-2 个 Token
  • 英文：1 个 Token ≈ 4 个字符或 0.75 个单词

基础调用示例

from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser

# 定义消息列表
messages = [
    SystemMessage(content="请帮我进行翻译，由英文翻译成中文！"),
    HumanMessage(content="my name is xiaoming")
]

# 定义输出解析器，提取 AIMessage 中的 content
parser = StrOutputParser()

# 构建链
chain = model | parser

# 调用并打印结果
print(chain.invoke(messages))  # 输出：我的名字是小明

1.2 init_chat_model：通用模型工厂函数

init_chat_model() 是一个更上层的工厂函数，支持一键初始化多种聊天模型，无需导入不同的模型类。

from langchain.chat_models.base import init_chat_model

# 初始化 OpenAI 模型
gpt_model = init_chat_model(
    model="gpt-4o-mini",
    model_provider="openai",
    temperature=0.3
)

# 初始化 DeepSeek 模型（兼容 OpenAI API）
deepseek_model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    api_key="你的DeepSeek_API_KEY",
    base_url="https://api.deepseek.com/v1"
)

# 测试调用
print(f"GPT-4o-mini: {gpt_model.invoke('你是谁？').content}")
print(f"DeepSeek: {deepseek_model.invoke('你是谁？').content}")

1.3 ChatOllama：本地部署模型支持

如果你想使用本地部署的开源模型（如 Llama 3、DeepSeek-R1），LangChain 提供了 ChatOllama 支持。

前置准备：

1. 安装 Ollama：https://ollama.com/
2. 拉取模型：ollama pull deepseek-r1:1.5b

from langchain_ollama import ChatOllama

# 初始化本地模型
ollama_model = ChatOllama(
    model="deepseek-r1:1.5b",
    base_url="http://127.0.0.1:11434",
    temperature=0.3
)

# 测试调用
print(ollama_model.invoke("你是谁？").content)

---

二、工具调用：让 LLM 连接外部世界

工具调用是 LangChain 最强大的功能之一，它让 LLM 从一个 “只会说话的模型” 变成了一个 “能做事的助手”。

2.1 工具调用的核心作用

1. 扩展能力边界：让 LLM 执行数学计算、搜索网络、操作数据库等自身无法完成的任务
2. 保证信息实时性：获取训练数据中不存在的最新信息
3. 处理复杂任务：将复杂请求分解为多个步骤，依次调用不同工具协同完成
4. 连接现有系统：将企业内部 API、数据库封装成工具，让 LLM 成为自然语言驱动的统一接口
   
   
   
   

2.2 定义工具的三种方式

LangChain 提供了多种定义工具的方式，核心是让 LLM 知道工具名称、工具描述、工具参数这三个关键信息。

2.2.1 方式一：@tool 装饰器（推荐）

这是最简单、最常用的工具定义方式，支持两种参数描述模式。

模式 1：Google 风格文档字符串

from langchain_core.tools import tool
from typing_extensions import Annotated

@tool
def add(
    a: Annotated[int, ..., "第一个整数"],
    b: Annotated[int, ..., "第二个整数"],
) -> int:
    """两数相加
    
    Args:
        a: 第一个整数
        b: 第二个整数
    """
    return a + b

# 查看工具信息
print(add.name)        # add
print(add.description) # 两数相加
print(add.args)        # {'a': {'type': 'integer', 'description': '第一个整数'}, ...}

模式 2：依赖 Pydantic 类 如果工具参数比较复杂，推荐使用 Pydantic 类定义参数 schema，提供更强的类型检查和描述能力。

from pydantic import BaseModel, Field

class AddInput(BaseModel):
    """两数相加"""
    a: int = Field(..., description="第一个整数")
    b: int = Field(..., description="第二个整数")

@tool(args_schema=AddInput)
def add(a: int, b: int) -> int:
    return a + b

2.2.2 方式二：StructuredTool 类

如果你需要更灵活的工具定义（如异步工具、自定义响应格式），可以使用 StructuredTool.from_function()。

from langchain_core.tools import StructuredTool
from typing import Tuple, List

def add(a: int, b: int) -> Tuple[str, List[int]]:
    """两数相加"""
    nums = [a, b]
    content = f"{nums}相加的结果是{a+b}"
    return content, nums

# 创建工具，区分 content 和 artifact
add_tool = StructuredTool.from_function(
    func=add,
    name="ADD",
    description="两数相加",
    args_schema=AddInput,
    response_format="content_and_artifact"
)

# 模拟大模型调用方式
result = add_tool.invoke({
    "name": "ADD",
    "args": {"a": 3, "b": 4},
    "type": "tool_call",
    "id": "111"
})

print(result)
# 输出：ToolMessage(content='[3, 4]相加的结果是7', name='ADD', tool_call_id='111', artifact=[3, 4])

2.3 工具的绑定与调用

定义好工具后，需要将工具绑定到聊天模型，然后按照 “工具选择 → 工具执行 → 结果总结” 的流程调用。

完整工具调用流程

from langchain_core.messages import HumanMessage, AIMessage, ToolMessage

# 定义两个工具
@tool
def add(a: int, b: int) -> int:
    """两数相加"""
    return a + b

@tool
def multiply(a: int, b: int) -> int:
    """两数相乘"""
    return a * b

# 1. 绑定工具到模型
tools = [add, multiply]
model_with_tools = model.bind_tools(tools=tools)

# 2. 第一步：让模型选择工具
messages = [HumanMessage(content="2乘3等于多少？")]
ai_msg = model_with_tools.invoke(messages)
messages.append(ai_msg)

# 查看模型返回的工具调用信息
print(ai_msg.tool_calls)
# 输出：[{'name': 'multiply', 'args': {'a': 2, 'b': 3}, 'id': 'call_xxx', 'type': 'tool_call'}]

# 3. 第二步：执行工具调用
for tool_call in ai_msg.tool_calls:
    # 根据工具名称选择对应的工具
    selected_tool = {"add": add, "multiply": multiply}[tool_call["name"].lower()]
    tool_msg = selected_tool.invoke(tool_call)
    messages.append(tool_msg)

# 4. 第三步：让模型根据工具结果生成最终回答
final_result = model_with_tools.invoke(messages)
print(final_result.content)
# 输出：2乘3等于6。

强制调用工具

默认情况下，模型会根据输入内容自动决定是否调用工具。如果你想强制模型调用某个工具，可以使用 tool_choice 参数。

# 强制调用任意一个工具
model_with_tools = model.bind_tools(tools=tools, tool_choice="any")

# 强制调用指定工具
model_with_tools = model.bind_tools(tools=tools, tool_choice={"type": "function", "function": {"name": "add"}})

---

三、实战：集成 Tavily 搜索引擎实现实时天气查询

Tavily 是一个专门为 AI 设计的搜索引擎，专为智能体检索与推理需求量身打造，能够以结构化形式返回搜索结果。

3.1 环境准备

1. 注册 Tavily 账号并获取 API Key：https://www.tavily.com/
2. 配置系统环境变量 TAVILY_API_KEY 为你的 API Key
3. 安装依赖包：

pip install langchain-tavily langchain-openai

3.2 完整代码实现

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from langchain_tavily import TavilySearch

# 1. 定义大模型
model = ChatOpenAI(model="gpt-4o-mini")

# 2. 定义搜索工具，最多返回4条结果
tool = TavilySearch(max_results=4)

# 3. 绑定工具到模型
model_with_tools = model.bind_tools([tool])

# 4. 第一步：用户提问，模型选择调用搜索工具
messages = [
    HumanMessage("中国西安今天的天气怎么样?")
]
ai_msg = model_with_tools.invoke(messages)
messages.append(ai_msg)

# 5. 第二步：执行搜索工具
for tool_call in ai_msg.tool_calls:
    tool_msg = tool.invoke(tool_call)
    messages.append(tool_msg)

# 6. 第三步：模型根据搜索结果生成最终回答
result = model_with_tools.invoke(messages)
print(result.content)

3.3 输出结果示例

今天西安的天气情况如下:
- **天气**:晴天转多云
- **最高气温**:约31℃
- **最低气温**:约21℃
- 预计在晚上会有降雨。

有关更详细的信息,你可以查看[中国气象局的天气预报](https://weather.cma.cn/web/weather/V8870.html)或其他相关天气网站。

---

四、核心知识点总结

1. 聊天模型：
   1. 使用 ChatOpenAI 初始化 OpenAI 模型，重点掌握 temperature 和 max_tokens 参数
   2. 使用 init_chat_model() 实现多模型统一初始化
   3. 使用 ChatOllama 调用本地部署的开源模型
2. 工具调用：
   1. 工具的核心三要素：名称、描述、参数 schema
   2. 推荐使用 @tool 装饰器定义工具，简单高效
   3. 工具调用流程：工具选择 → 工具执行 → 结果总结
   4. 可以通过 tool_choice 参数强制模型调用指定工具
3. Tavily 搜索：
   1. Tavily 是专为 AI 设计的搜索引擎，返回结构化结果
   2. 只需配置 API Key 即可快速集成，实现实时信息获取

---

结尾

🍓 我是草莓熊 Lotso！若这篇技术干货帮你打通了学习中的卡点：
👀 【关注】跟我一起深耕技术领域，从基础到进阶，见证每一次成长
❤️ 【点赞】让优质内容被更多人看见，让知识传递更有力量
⭐ 【收藏】把核心知识点、实战技巧存好，需要时直接查、随时用
💬 【评论】分享你的经验或疑问（比如曾踩过的技术坑？），一起交流避坑
🗳️ 【投票】用你的选择助力社区内容方向，告诉大家哪个技术点最该重点拆解
技术之路难免有困惑，但同行的人会让前进更有方向～愿我们都能在自己专注的领域里，一步步靠近心中的技术目标！

结语：本文我们从最基础的聊天模型定义开始，逐步深入到工具调用的底层逻辑，并最终实现了一个能实时搜索天气的 AI 助手。这只是 LangChain 强大功能的冰山一角，后续我们还将学习结构化输出、流式传输、RAG 检索增强生成等高级功能，带你一步步构建生产级的 LLM 应用。如果本文对你有帮助，欢迎点赞、收藏、关注！有任何问题都可以在评论区留言交流。

✨把这些内容吃透超牛的！放松下吧✨ ʕ˘ᴥ˘ʔ づきらど