LangChain 的 Tools 体系：给 LLM 装上手和脚

（1）Tool#

• 定义：一个 Python 对象，封装了外部能力（函数、API、数据库等）。

• 接口：至少包含两个属性：

  • ​name​：工具名
  • ​func​：执行函数
  • ​description​：给 LLM 说明工具做什么

• LLM 会根据 prompt + description 决定调用哪个工具。

示例：

1
from langchain.tools import Tool
2

3
def calculator(query: str) -> str:
4
    return str(eval(query))
5

6
calc_tool = Tool(
7
    name="Calculator",
8
    func=calculator,
9
    description="用于执行数学运算，例如 2+2"
10
)

（2）Agent#

• Agent 是一个 智能决策者，根据用户输入：

  1. 思考（LLM分析问题）
  2. 决定调用哪个 Tool
  3. 执行 Tool
  4. 收集结果并继续思考

• LangChain 内置多种 agent 类型：

  • ​ZeroShotAgent​
  • ​ReActAgent​
  • ​ConversationalAgent​
  • ​StructuredToolAgent​（结合输出解析器）

（1）简单工具调用#

1
from langchain.agents import initialize_agent
2

3
tools = [calc_tool]
4

5
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)
6

7
agent.run("计算 123 * 456")

输出：

1
56088

（2）结合多工具#

• 可以同时注册 搜索、计算、数据库查询、API。
• LLM 会选择最合适的工具：

1
from langchain.agents import Tool
2

3
search_tool = Tool(
4
    name="Search",
5
    func=lambda x: "搜索结果: xxx",
6
    description="搜索互联网以获取最新信息"
7
)
8

9
agent = initialize_agent([calc_tool, search_tool], llm, agent="zero-shot-react-description")
10
agent.run("查找今天的天气并计算温度差")

LLM 会先调用 Search​，然后 Calculator​，再返回答案。

（3）示意：MCP 风格工作流#

1
from langchain.chains import SequentialChain
2

3
# 假设有三个工具
4
tools = [calc_tool, search_tool]
5

6
# Step1: 查询问题相关背景
7
search_chain = LLMChain(
8
    llm=llm,
9
    prompt=PromptTemplate.from_template("请搜索问题背景: {query}"),
10
    output_key="search_result"
11
)
12

13
# Step2: 计算结果
14
calc_chain = LLMChain(
15
    llm=llm,
16
    prompt=PromptTemplate.from_template("根据背景 {search_result} 计算结果: {query}"),
17
    output_key="calc_result"
18
)
19

20
workflow = SequentialChain(chains=[search_chain, calc_chain], input_variables=["query"], output_variables=["calc_result"])
21

22
workflow.invoke({"query": "计算今天的温差"})

• 这里每一步都可以调用不同的工具。
• 实际上就是 多工具、多步骤执行管线，可以视作 MCP 的实现方式。

✅ 小结#

• LangChain 原生不叫 MCP，但其架构完全可以实现多工具、多步骤、多分支的 Multi-Tool Pipeline。

• MCP 在 LangChain 中可通过 Agent + Tools + Chain 实现：

  • 多工具注册 → Agent 决策调用 → 链式或分支流程执行 → 输出聚合。