如何在 Web-Dev-For-Beginners 用 LangChain 工具调用让 AI 执行自定义函数

如何在 Web-Dev-For-Beginners 用 LangChain 工具调用让 AI 执行自定义函数

【免费下载链接】Web-Dev-For-Beginners24 Lessons, 12 Weeks, Get Started as a Web Developer项目地址: https://gitcode.com/GitHub_Trending/we/Web-Dev-For-Beginners

Web-Dev-For-Beginners 课程的 AI Framework 一课（10-ai-framework-project/README.md）演示了如何用 LangChain 的 tool calling 机制，让大模型在对话中识别并调用你自己定义的 Python 函数——比如让它执行一个加法函数add，或者调用外部 Web API 取回内容。读完并跑通本文后，你将拥有一个可以绑定自定义工具的 LangChain 客户端，并在模型判断需要某项能力时自动执行对应函数。

前提条件：

• Python 环境，通过 pip 安装依赖；
• 环境变量GITHUB_TOKEN可用。课程文档说明：在 GitHub Codespaces 中该 token 已经配置好；如果在本地运行，需要自行创建一个具有相应权限的 personal access token；
• 代码连接的是 GitHub Models（base_url="https://models.github.ai/inference"），模型使用openai/gpt-4o-mini。

安装依赖并连接模型

课程给出的安装命令（见文档 Quick Start 与 Assignment 的 Step 1）：

pip install langchain langchain-openai

连接模型用ChatOpenAI客户端，这是后续所有工具调用代码的基础：

from langchain_openai import ChatOpenAI import os llm = ChatOpenAI( api_key=os.environ["GITHUB_TOKEN"], base_url="https://models.github.ai/inference", model="openai/gpt-4o-mini", )

仓库中的 app.py 就是这个最小客户端；如果连llm.invoke("What is the capital of France")这一步都无法返回内容，说明 token 或网络配置有问题，应先解决它再继续工具调用部分。

定义自定义函数工具

LangChain 中一个“工具”由两部分组成：一个给模型看的参数蓝图（TypedDict 类），和一个真正执行的函数实现（functions字典）。课程文档用一个加法函数演示了完整写法：

from typing_extensions import Annotated, TypedDict class add(TypedDict): """Add two integers.""" # Annotations must have the type and can optionally include a default value and description (in that order). a: Annotated[int, ..., "First integer"] b: Annotated[int, ..., "Second integer"] tools = [add] functions = { "add": lambda a, b: a + b }

各部分的作用（均出自课程文档的讲解）：

• 类继承TypedDict，类的 docstring（Add two integers.）成为工具的说明，模型据此判断“这个问题该不该用这个工具”；
• 字段用Annotated标注。文档中的注释明确了书写规则：annotation 必须包含类型，可选地按顺序附带默认值和描述；
• tools列表是传给模型的工具清单；
• functions字典是“工具箱”，键是工具名，值是真正执行的动作——模型只负责报出工具名和参数，执行发生在你的代码里。

绑定工具并触发调用

创建好工具后，用bind_tools把它挂到模型上：

llm_with_tools = llm.bind_tools(tools)

bind_tools调用之后，llm_with_tools这个 LLM 实例就“知道”了这些工具的存在。接下来发送请求，并检查返回值中是否产生了tool_calls：

query = "What is 3 + 12?" res = llm_with_tools.invoke(query) if res.tool_calls: for tool in res.tool_calls: print("TOOL CALL: ", functions[tool["name"]](**tool["args"])) print("CONTENT: ", res.content)

这里的执行逻辑是：模型分析 query 后，如果认定该用add工具，返回的res.tool_calls里就会有对应条目，每个条目的name指明要调哪个工具、args给出参数；functions[tool["name"]](**tool["args"])随即在你的进程里执行a + b。

把上面三段拼起来的完整脚本（与文档中的全量代码一致）：

from langchain_core.messages import HumanMessage, SystemMessage from langchain_openai import ChatOpenAI import os from typing_extensions import Annotated, TypedDict class add(TypedDict): """Add two integers.""" a: Annotated[int, ..., "First integer"] b: Annotated[int, ..., "Second integer"] tools = [add] functions = { "add": lambda a, b: a + b } llm = ChatOpenAI( api_key=os.environ["GITHUB_TOKEN"], base_url="https://models.github.ai/inference", model="openai/gpt-4o-mini", ) llm_with_tools = llm.bind_tools(tools) query = "What is 3 + 12?" res = llm_with_tools.invoke(query) if res.tool_calls: for tool in res.tool_calls: print("TOOL CALL: ", functions[tool["name"]](**tool["args"])) print("CONTENT: ", res.content)

验证结果

文档给出的示例输出为（注意是“output similar to”，实际措辞和空行可能不同）：

TOOL CALL: 15 CONTENT:

看到这个结果说明链路完整工作：模型从add工具的名字、描述和字段规格中识别出这是一次加法任务，functions字典里的 lambda 实际算出了 15。CONTENT:之后为空是文档示例中的正常现象——这一轮模型只报工具调用，没有另行生成文本。

如果res.tool_calls为空、只打印出CONTENT:，说明模型没有把这次请求路由到工具；文档没有给出更多排错顺序，此时可以先核对tools是否已传入bind_tools、query 是否确实匹配工具描述。

可选分支：让自定义函数调用外部 Web API

加法函数只演示机制，文档的进阶例子是让工具真正干活——joke工具会请求https://api.chucknorris.io/jokes/random?category={category}并返回 JSON 中的value字段：

class joke(TypedDict): """Tell a joke.""" category: Annotated[str, ..., "The joke category"] def get_joke(category: str) -> str: response = requests.get( f"https://api.chucknorris.io/jokes/random?category={category}", headers={"Accept": "application/json"} ) if response.status_code == 200: return response.json().get("value", f"Here's a {category} joke!") return f"Here's a {category} joke!" functions = { "add": lambda a, b: a + b, "joke": lambda category: get_joke(category) } tools = [add, joke]

配套改动只有两处：把joke加进tools列表、把joke的实现加进functions字典，后面的bind_tools/invoke/tool_calls流程完全不变。查询换成：

query = "Tell me a joke about animals"

文档给出的示例输出（同样是“something like”）：

TOOL CALL: Chuck Norris once rode a nine foot grizzly bear through an automatic car wash, instead of taking a shower. CONTENT:

两点需要注意：

• 这段代码import requests，运行前环境中需要有requests库；
• get_joke在接口非 200 时会返回兜底文案Here's a {category} joke!，而不是抛异常。

仓库里可直接运行的完整脚本是 app-tools.py，内容与文档全量代码一致，add和joke两个工具都已绑定。

限制与下一步

• 工具是否被调用由模型根据工具名、描述和字段规格自行判断，文档中的说法是：模型“examined” query 后“made this determination from the tool's name, description, and field specifications”。描述写得模糊会增加误判概率，这一点由 TypedDict 的 docstring 和Annotated描述字段控制。
• res.tool_calls可能为空（模型直接作答），代码必须像文档示例那样先判断再执行，不能假设每次都会触发工具。

文档在“Building a complete AI application”一节把工具调用和会话记忆组合成了一个CodingAssistant类（含execute_tool分发逻辑），Assignment 则要求实现至少两个教育类工具的StudyAssistant，两者都在 10-ai-framework-project/README.md 内，可作为跑通本文后的延伸练习。

【免费下载链接】Web-Dev-For-Beginners24 Lessons, 12 Weeks, Get Started as a Web Developer项目地址: https://gitcode.com/GitHub_Trending/we/Web-Dev-For-Beginners