LangChain Tool实战：让大模型长出双手，调用Tool连接真实世界

一、为什么我们需要 Tool？

在正式动手写代码之前，先聊一个关键问题：为什么 ChatGPT 连简单的加减法都搞不定？为什么它不知道今天北京的天气？

答案很简单：大模型的本质是概率预测，它是基于训练数据生成下一个字，而不是基于逻辑运算或实时数据库。说白了，它更像一个“文科生”——擅长模仿，不擅长精确计算。

• 数学计算：大模型容易产生幻觉，尤其是复杂运算。
• 实时信息：训练数据截止于过去，它无法预知“今天”发生的事情。

LangChain Tool 的出现，就是为了解决这个短板。它的核心思路是：当用户问“1234 + 5678 等于几？”时，大模型不再自己瞎猜，而是分析出“哦，这是一个计算任务”，然后告诉程序：“请帮我调用 add 工具，参数是 a=1234, b=5678”。程序运行完代码后，把结果反馈给用户。

听起来很酷？接下来，我们一步步通过代码把这个过程落地。

二、基础入门：定义一个简单的“加法工具”

先从最基础的讲起：如何定义一个工具。

在 LangChain 中，tool 函数是核心入口。我们需要引入它，并配合 zod 库来定义参数结构。

1. 引入必要的依赖

import { ChatDeepSeek } from "@langchain/deepseek";
import 'dotenv/config';
import { tool } from "@langchain/core/tools";
import { z } from "zod"; // 关键：用于定义函数参数的类型 schema

这里重点聊聊 zod。大模型输出的是文本（JSON 字符串），而我们的函数需要的是具体变量（比如数字、字符串）。Zod 的作用就是建立一个“契约”：它告诉大模型，“如果你要调用这个工具，你必须给我传什么样的参数，是数字还是字符串”。这能大大提升工具调用的准确性和健壮性。

2. 编写加法工具 (addTool)

先从最简单的加法开始，让大模型学会算术。

// 函数 定义一个加法工具
const addTool = tool(
  // 1. 工具的具体逻辑（函数体）
  // 这里接收一个对象，解构出 a 和 b
  // 注意：所有工具函数的参数通常都会被包装成一个对象
  async ({a, b}) => String(a + b), 
  {
    // 2. 工具的元数据（Metadata）
    name: "add", // 工具名称，大模型通过这个名字识别工具
    description: "计算两个数字的和", // 工具描述，非常重要！这相当于写给大模型的 Prompt，告诉它什么时候用这个工具
    // 3. 参数 Schema 定义
    schema: z.object({
      a: z.number().describe("加数 a"), // 明确告诉模型，a 必须是一个数字
      b: z.number().describe("加数 b") // b 也必须是一个数字
    })
  }
)

代码深度解析：

• tool(function, options)：这是定义工具的标准范式。第一个参数是实际执行的 Ja vaScript 函数，第二个参数是配置对象。
• async ({a, b})：LangChain 的工具调用通常是异步的。参数被设计为解构形式，这是为了配合 Zod 定义的 Object Schema。
• description：千万不要忽视描述！大模型正是通过这段文字来判断用户的问题是否需要使用该工具。如果描述写得含糊，模型可能就不会调用它。
• z.number()：这里限制了 a 和 b 必须是数字。如果模型抽风传了字符串，Zod 会在底层进行校验或报错，保证程序的健壮性。

三、进阶实战：定义“天气查询工具”

学会了简单的加法，我们来模拟一个更贴近真实场景的业务——查询天气。由于没有连接真实的气象局 API，这里用了一个“伪数据库”来模拟。

1. 模拟数据源

const fakeWeatherDB = {
  北京: { temp: "30°C", condition: "晴", wind: "微风" },
  上海: { temp: "28°C", condition: "多云", wind: "东风 3 级" },
  广州: { temp: "32°C", condition: "阵雨", wind: "南风 2 级" }
}

2. 编写天气工具 (weatherTool)

const weatherTool = tool(
  async ({city}) => {
    // 模拟数据库查询
    const weather = fakeWeatherDB[city];
    // 边界情况处理
    if(!weather){
      return `城市${city}的天气未找到`;
    }
    // 返回自然语言描述的结果，方便大模型理解 
    return `当前${city}的天气是${weather.temp},${weather.condition}, 风力${weather.wind}`;
  },
  {
    name: "get_weather",
    description: "查询指定城市的今日天气情况", // 明确的功能描述
    schema: z.object({
      // z.string() 规定参数 city 必须是字符串
      // .describe() 进一步解释参数含义，帮助模型提取正确的实体
      city: z.string().describe("要查询天气的城市") 
    })
  }
)

知识点延伸：在 weatherTool 中，我们看到工具不仅仅是计算，还可以是查表、请求 API、读取文件。

• 返回值：工具的返回值通常是字符串。为什么？因为这个返回值最终要喂回给大模型，大模型理解文本能力最强。
• Error Handling：我们在代码中判断了 if(!weather)。在真实开发中，工具内部做好错误处理非常重要，否则一个异常可能导致整个对话崩塌。

四、链接大脑：绑定工具到模型

工具定义好了，就像家里买了吸尘器和洗碗机，但如果作为“管家”的大模型不知道它们的存在，也是白搭。我们需要将工具**绑定（Bind）**到模型上。

// 实例化 DeepSeek 模型
const model = new ChatDeepSeek({
  model: 'deepseek-chat',
  temperature: 0 // 设置为 0，让模型更理性、逻辑更严密，减少胡言乱语
}).bindTools([addTool, weatherTool]) // 核心步骤：绑定工具数组

解析：

• .bindTools([...])：这一步发生了很多魔法。LangChain 会自动将我们定义的 addTool 和 weatherTool 的 name、description 以及 zod schema 转换成 OpenAI 兼容的 JSON 格式，并发送给 DeepSeek 模型。
• 此时，模型不仅知道“我是谁”，还知道“我手边有两个工具：一个能算加法，一个能查天气”。

五、触发调用与结果处理（重点：可选链运算符）

万事俱备，只欠东风。我们向模型提问，看看它如何反应。

// 发起提问
const res = await model.invoke('北京今天的天气怎么样');

当这句话发出去后，DeepSeek 会进行如下思考：

1. 用户问的是天气。
2. 我有 get_weather 工具吗？有。
3. 工具描述说它能“查询指定城市天气”。匹配成功！
4. 提取参数：城市是“北京”。
5. 决策：我不直接回答文本，而是返回一个“工具调用请求（Tool Call）”。

处理响应：可选链运算符 (.) 的妙用

模型返回的 res 对象中，包含了很多信息。如果模型决定调用工具，res.tool_calls 属性就会有值。

// 可选链运算符 es6 新增 代码的简洁和优雅
// 传统写法（繁琐）：
// if(res.tool_calls){
//   if(res.tool_calls.length){
//     // ...
//   }
// }
// 现代写法（推荐）：
if(res.tool_calls.length){
  console.log("模型决定调用工具:", res.tool_calls);
  // 获取第一个工具调用的指令
  const toolCall = res.tool_calls[0];
  // 根据工具名称，分发执行逻辑
  if(toolCall.name === 'add'){
    // 执行加法工具
    // toolCall.args 包含了模型提取好的参数 {a: ..., b: ...}
    const result = await addTool.invoke(toolCall.args);
    console.log("加法工具运行结果:", result);
  }
  else if(toolCall.name === 'get_weather'){
    // 执行天气工具
    const result = await weatherTool.invoke(toolCall.args);
    console.log("天气工具运行结果:", result);
  }
}

为了直观理解，打印一下 res.tool_calls 看看：

[图片占位]

知识点详解：可选链运算符 (.)

在 Ja vaScript 中，处理深层嵌套的对象属性时，经常会遇到 Cannot read property of undefined 的报错。

• res.tool_calls 可能不存在（如果模型认为不需要调用工具，只是普通聊天）。
• 如果不使用 .，我们需要写多层 if 判断来确保安全。
• res.tool_calls.length 的意思是：如果 res.tool_calls 存在（不为 null 或 undefined），则读取 .length；否则，直接返回 undefined，不会报错。配合 if 语句，undefined 会被视为 false，逻辑非常通顺。

这一小小的语法糖，极大地提升了代码的简洁性和优雅度，是现代 JS 开发的必备技巧。

六、完整流程总结

让我们回顾一下这段代码运行的完整生命周期：

1. 定义阶段：我们用 tool() 和 zod 精确描述了 add 和 get_weather 两个工具的功能和参数格式。
2. 绑定阶段：通过 .bindTools() 将这些能力的“说明书”发给了 DeepSeek 大模型。
3. 推理阶段：用户提问“北京天气”，模型分析语义，命中 get_weather 工具，并精准提取出 city: "北京"。
4. 响应阶段：模型返回包含 tool_calls 的响应对象。
5. 执行阶段：我们的代码通过 . 安全地检测到调用请求，并在本地运行了 weatherTool 函数，通过查阅 fakeWeatherDB 得到了结果。

运行效果预览

当你运行这段代码（node index.js），控制台会输出：

[{name: 'get_weather',args: { city: '北京' },id: 'call_xxxxxxxxx'}]
最终结果: 当前北京的天气是30°C,晴, 风力微风

如果你把问题改成 model.invoke('100 加 200 等于几')，它会自动切换逻辑：

[{name: 'add',args: { a: 100, b: 200 },id: 'call_yyyyyyyyy'}]
最终结果: 300

七、结语

通过这篇文章，我们不仅学习了 LangChain 中 tool 的基础用法，还掌握了如何利用 zod 进行数据验证，以及使用 ES6+ 的可选链运算符编写健壮的代码。

Tools 模块彻底改变了大模型的应用形态。它让大模型从一个“只读”的百科全书，进化成了一个能“读写”现实世界的智能袋里（Agent）。

赶快打开你的编辑器，试着定义属于你自己的工具吧！不管是查询股票、发送邮件，还是控制智能家居，LangChain 都能帮你实现。

本文代码示例基于 LangChain.js 最新版本。