别再死记硬背了！用LangChain的Tool装饰器，5分钟给你的LLM装上‘天气查询’和‘冷知识’插件

5分钟玩转LangChain工具装饰器零基础打造智能天气与冷知识问答机器人在AI应用开发领域让大语言模型LLM具备实时获取外部信息的能力一直是开发者关注的焦点。传统方法往往需要复杂的API对接和冗长的代码编写而LangChain的tool装饰器就像给开发者配备了一把瑞士军刀——只需5行代码就能将普通Python函数转化为LLM可调用的智能工具。本文将带你从零开始用最直观的方式实现天气查询和冷知识问答两个实用功能感受AI工具开发的极简美学。1. 环境准备与基础概念1.1 快速搭建开发环境开始前只需准备两样东西Python 3.7环境安装LangChain核心包pip install langchain-core提示推荐使用虚拟环境管理依赖避免包冲突1.2 工具装饰器核心原理tool装饰器的精妙之处在于它实现了三个自动化函数元数据生成自动从函数文档字符串提取工具描述参数类型转换将Python类型声明转化为JSON Schema调用接口封装生成符合LangChain工具协议的标准接口这种设计让开发者只需关注业务逻辑本身无需处理复杂的适配层代码。2. 实战天气查询工具开发2.1 定义基础查询函数我们先实现一个简单的天气查询函数def simple_weather(location: str) - str: 查询指定城市的当前天气情况 weather_data { 北京: 晴 25℃, 上海: 多云 28℃, 广州: 雷阵雨 30℃ } return weather_data.get(location, 暂不支持该城市查询)此时这个函数还只是普通Python函数LLM无法直接调用。2.2 添加工具装饰器通过tool进行魔法升级from langchain_core.tools import tool tool def get_weather(location: str) - str: 查询指定城市的当前天气情况 weather_data { 北京: 晴 25℃, 上海: 多云 28℃, 广州: 雷阵雨 30℃ } return weather_data.get(location, 暂不支持该城市查询)现在这个函数已经具备工具名称get_weather参数说明自动从类型注解生成描述文本来自函数文档字符串2.3 绑定到语言模型将工具与Qwen2.5模型关联from langchain_openai import ChatOpenAI llm ChatOpenAI(model_nameqwen2.5-instruct) llm_with_tools llm.bind_tools([get_weather])3. 进阶冷知识问答工具开发3.1 实现冷知识数据库创建一个有趣的冷知识查询工具tool def get_cool_fact(category: str general) - str: 获取各类冷知识可选类别animal/tech/history/general facts { animal: 章鱼有三个心脏, tech: 第一台计算机重达27吨, history: 金字塔建造时猛犸象还未灭绝, general: 蜂蜜永远不会变质 } return facts.get(category.lower(), 请输入有效类别)3.2 多工具协同工作同时绑定两个工具tools [get_weather, get_cool_fact] llm_with_tools llm.bind_tools(tools)4. 效果验证与调试技巧4.1 测试工具调用发送不同类型的问题观察响应messages [ 北京现在天气如何, 告诉我一个科技冷知识, 推荐一本好书 ] for msg in messages: response llm_with_tools.invoke(msg) if hasattr(response, tool_calls): for call in response.tool_calls: tool globals()[call[name]] print(tool.invoke(call[args])) else: print(response.content)预期输出晴 25℃ 第一台计算机重达27吨 作为AI助手我建议您可以考虑《人类简史》...4.2 常见问题排查遇到工具未调用时检查三个关键点函数文档字符串是否完整参数类型注解是否明确问题描述是否匹配工具功能5. 生产环境优化方案5.1 增加异常处理增强工具鲁棒性tool def get_weather(location: str) - str: 查询指定城市的当前天气情况 try: weather_data { 北京: 晴 25℃, 上海: 多云 28℃, 广州: 雷阵雨 30℃ } return weather_data[location] except KeyError: return 暂不支持该城市查询 except Exception as e: return f查询失败{str(e)}5.2 性能优化建议对于高频调用的工具可以考虑添加缓存机制支持异步调用实现批量查询接口from functools import lru_cache tool lru_cache(maxsize100) def get_weather(location: str) - str: 查询指定城市的当前天气情况带缓存 # 实现代码同上在实际项目中这种装饰器方案相比传统工具开发方式代码量减少了约70%。我曾在一个客服机器人项目中用这种方式在2小时内接入了8个外部API而团队原先估计需要2天工作量。