构建基于 LangChain 工具调用的 AI 数学助手
来源路径：
raw/04_文档与参考/Markdown文档/AI-Math-Assistant Tool Calling.md标签：LangChainAI教程| 创建日期：2026-01-08 | 预计完成时间：45 分钟
TL;DR
本文是一份实操教程，介绍如何使用 LangChain 框架创建自定义工具、构建支持工具调用的 AI 智能体，最终实现一个能处理自然语言数学查询的数学助手。教程包含工具创建的两种方法、智能体选型、多工具编排、错误调试、内置工具使用全流程，并附带课后练习巩固知识点。
目录
目标
完成本实验后，你将能够：
- 解释 LangChain 中工具（Tools）的概念
- 创建用于特定任务的自定义工具
- 构建一个可以使用多个工具的 AI 智能体
- 调试并改进工具的功能
- 使用各种输入测试工具的实现
实验设置
本实验将使用以下核心库：
langchain: 用于创建 AI 智能体和工具langchain.chat_models: 用于访问语言模型langchain.agents: 用于创建和管理 AI 智能体
API 免责声明
重要提示
本实验使用 IBM watsonx.ai 和 OpenAI 提供的 LLM，Skills Network 实验环境已配置免 API 密钥的有限免费使用额度。如果你在实验环境外本地运行本项目，必须配置你自己的 API 密钥，并自行承担相关费用。
本地运行配置示例：
from langchain_openai import ChatOpenAI
from langchain_ibm import ChatWatsonx
openai_llm = ChatOpenAI(
model="gpt-4.1-nano",
api_key = "your openai api key here",
)
watsonx_llm = ChatWatsonx(
model_id="ibm/granite-3-2-8b-instruct",
url="https://us-south.ml.cloud.ibm.com",
project_id="your project id associated with the API key",
api_key="your watsonx.ai api key here",
)安装与导入依赖
警告
以下依赖库未预安装在 Skills Network Labs 环境中，你需要执行以下命令完成安装：
%pip install langchain==0.3.23 | tail -n 1
%pip install langchain-ibm==0.3.10 | tail -n 1
%pip install langchain-community==0.3.16 | tail -n 1
%pip install wikipedia==1.4.0 | tail -n 1
%pip install openai==1.77.0 | tail -n 1
%pip install langchain-openai==0.3.16 | tail -n 1导入依赖：
from langchain_ibm import ChatWatsonx
from langchain.agents import AgentType
import re加载语言模型
本实验默认使用 IBM 的 ChatWatsonx 加载 Granite 系列大模型，不同厂商的 LLM 各有优势：
| LLM 提供商 | 优势 |
|---|---|
| OpenAI (GPT-4/GPT-3.5) | 通用性强，擅长高级推理 |
| Meta (LLaMA) | 开放可自定义，适合专用场景 |
| IBM watsonx Granite | 适合企业场景，集成能力强 |
| Anthropic (Claude) | 专注安全、可靠、合乎伦理的 AI |
| Cohere | 性价比高，适合轻量特定任务 |
本实验选择 ChatWatsonx 的原因：
- API 简单，可快速完成配置
- 支持高级配置，可调整
temperature（响应随机性）、max_tokens（响应长度） - IBM Granite 模型被广泛认为是通用推理和对话的 SOTA 模型之一
初始化代码：
llm = ChatWatsonx(
model_id="ibm/granite-3-2-8b-instruct",
url="https://us-south.ml.cloud.ibm.com",
project_id="skills-network",
)测试：
response = llm.invoke("What is tool calling in langchain?")
print("\nResponse Content: ", response.content)工具与函数基础
在 AI 工具调用中，工具本质是封装了特定能力的可调用函数，可以类比为工具箱中的单个工具。
构建工具需要遵循以下核心原则：
- 明确的目的：确保工具的职责定义清晰
- 标准化的输入：工具接受可预测的结构化输入
- 一致的输出：以易于处理、易于集成的格式返回结果
- 全面的文档：清晰说明工具的功能、用法和限制（文档同时会帮助 LLM 理解工具用途）
我们先实现一个最基础的加法函数：
def add_numbers(inputs:str) -> dict:
"""
Adds a list of numbers provided in the input dictionary or extracts numbers from a string.
Parameters:
- inputs (str):
string, it should contain numbers that can be extracted and summed.
Returns:
- dict: A dictionary with a single key "result" containing the sum of the numbers.
Example Input (Dictionary):
{"numbers": [10, 20, 30]}
Example Input (String):
"Add the numbers 10, 20, and 30."
Example Output:
{"result": 60}
"""
numbers = [int(x) for x in inputs.replace(",", "").split() if x.isdigit()]
result = sum(numbers)
return {"result": result}测试函数：
add_numbers("1 2") LangChain 工具创建方法
LangChain 提供两种主流方式将普通 Python 函数包装为智能体可用的工具。
方法1：Tool 类包装
Tool 是基础的包装类，每个工具需要三个核心组件：唯一名称、实际执行函数、帮助智能体理解用法的描述。
from langchain.agents import Tool
add_tool=Tool(
name="AddTool",
func=add_numbers,
description="Adds a list of numbers and returns the result.")
print("tool object",add_tool)工具对象核心属性：
| 属性 | 作用 | 示例 |
|---|---|---|
name | 工具的唯一标识符 | "AddTool" |
.invoke | 工具包装的可调用函数 | add_numbers |
description | 工具功能的简明说明 | "Adds a list of numbers and returns the result." |
查看属性示例：
# Tool name
print("Tool Name:")
print(add_tool.name)
# Tool description
print("Tool Description:")
print(add_tool.description)
# Tool function
print("Tool Function:")
print(add_tool.invoke)调用工具：
print("Calling Tool Function:")
test_input = "10 20 30 a b"
print(add_tool.invoke(test_input)) # Example测试工具的意义：
- 确认工具配置正确：元数据配置正确，函数和模式配置符合预期
- 确认被包装函数符合预期：能正确完成任务，能优雅处理边缘情况和无效输入
- 确认工具和智能体兼容：工具输出符合智能体要求，不会出现兼容性问题