企业官网建设流程全解析

🔥个人主页：Cx330🌸

❄️个人专栏：《C语言》《LeetCode刷题集》《数据结构-初阶》《C++知识分享》

《优选算法指南-必刷经典100题》《Linux操作系统》:从入门到入魔

《Git深度解析》:版本管理实战全解 《Qt 极境架构》MySQL 核心技术与实战

🌟心向往之行必能

🎥Cx330🌸的简介：

目录

前言：

一. 定义聊天模型

1.1 ChatOpenAI: 最常用的模型实现

1.2 init_chat_model: 通用模型工厂函数

1.3 ChatOllama：本地部署模型支持

二、工具调用：让 LLM 连接外部世界

2.1 工具调用的核心作用

2.2 定义工具的三种方式

2.2.1 方式一：@tool 装饰器（推荐）

2.2.2 方式二：StructuredTool 类

2.3 工具的绑定与调用

三、实战：集成 Tavily 搜索引擎实现实时天气查询

3.1 环境准备

3.2 完整代码实现

3.3 输出结果示例

四、核心知识点总结

结尾：

前言：

随着大语言模型（LLM）的迅速发展，如何将大模型的能力无缝接入实际应用成为了开发者最关注的问题。LangChain 作为目前最流行的 LLM 开发框架，通过封装模型抽象、提示词模板、链式调用以及工具扩展等功能，极大地降低了大模型应用的开发门槛。

在实际开发中，单一的模型对话远远无法满足复杂业务需求。大语言模型存在知识库滞后、无法获取实时信息等局限，而工具调用（Tool Calling / Function Calling）正是让 LLM 连接外部真实世界的钥匙。

本文将循序渐进地介绍 LangChain 中聊天模型的定义方式、工具调用的三大实现方案，并最终通过一个集成 Tavily 搜索引擎进行实时天气查询的实战项目，带领大家掌握 LangChain 的核心开发技巧。

一. 定义聊天模型

LangChain 提供了高度抽象的统一接口，使得开发者在切换不同模型供应商（如 OpenAI、Ollama、Anthropic 等）时，无需大规模修改业务逻辑代码。

1.1 ChatOpenAI: 最常用的模型实现

在云端模型中，OpenAI 的 GPT 系列模型使用最为广泛。LangChain 通过langchain-openai包提供了ChatOpenAI类。

核心初始化参数详解

from langchain_openai import ChatOpenAI # 完整参数示例 model = ChatOpenAI( model="gpt-4o-mini", # 模型名称 temperature=0, # 采样温度，0-2 max_tokens=None, # 最大生成令牌数 timeout=None, # 请求超时时间 max_retries=2, # 最大重试次数 # api_key="你的API_KEY", # 不写则自动从环境变量读取 # base_url="代理地址", # 国内访问需要配置 # organization="组织ID" # OpenAI 组织 ID )

关键参数深度解析：

• temperature：控制输出的随机性
  • 0：完全确定，适合代码生成、事实问答
  • 0.1-0.5：轻微变化，适合技术文档、写作
  • 0.5-1：平衡创意，适合日常对话
  • 1-2：高度随机，适合创意创作
  • >2：不推荐，通常输出无意义内容
• max_tokens：限制模型生成的最大长度
  • Token 是 LLM 处理文本的基本单位
  • 中文：1 个汉字 ≈ 1.5-2 个 Token
  • 英文：1 个 Token ≈ 4 个字符或 0.75 个单词

基础调用示例

from langchain_core.messages import SystemMessage, HumanMessage from langchain_core.output_parsers import StrOutputParser # 定义消息列表 messages = [ SystemMessage(content="请帮我进行翻译，由英文翻译成中文！"), HumanMessage(content="my name is xiaoming") ] # 定义输出解析器，提取 AIMessage 中的 content parser = StrOutputParser() # 构建链 chain = model | parser # 调用并打印结果 print(chain.invoke(messages)) # 输出：我的名字是小明

1.2 init_chat_model: 通用模型工厂函数

为了进一步统一模型的创建逻辑，LangChain 引入了init_chat_model工厂函数。它允许开发者通过传入统一的模型名称和提供商参数，动态实例化任意聊天模型，非常适合多模型配置与切换场景。

from langchain.chat_models.base import init_chat_model # 初始化 OpenAI 模型 gpt_model = init_chat_model( model="gpt-4o-mini", model_provider="openai", temperature=0.3 ) # 初始化 DeepSeek 模型（兼容 OpenAI API） deepseek_model = init_chat_model( model="deepseek-chat", model_provider="deepseek", api_key="你的DeepSeek_API_KEY", base_url="https://api.deepseek.com/v1" ) # 测试调用 print(f"GPT-4o-mini: {gpt_model.invoke('你是谁？').content}") print(f"DeepSeek: {deepseek_model.invoke('你是谁？').content}")

1.3 ChatOllama：本地部署模型支持

如果你想使用本地部署的开源模型（如 Llama 3、DeepSeek-R1），LangChain 提供了ChatOllama支持。

前置准备：

1. 安装 Ollama：https://ollama.com/
2. 拉取模型：ollama pull deepseek-r1:1.5b

from langchain_ollama import ChatOllama # 初始化本地模型 ollama_model = ChatOllama( model="deepseek-r1:1.5b", base_url="http://127.0.0.1:11434", temperature=0.3 ) # 测试调用 print(ollama_model.invoke("你是谁？").content)

二、工具调用：让 LLM 连接外部世界

工具调用是 LangChain 最强大的功能之一，它让 LLM 从一个 “只会说话的模型” 变成了一个 “能做事的助手”。

2.1 工具调用的核心作用

1. 扩展能力边界：让 LLM 执行数学计算、搜索网络、操作数据库等自身无法完成的任务
2. 保证信息实时性：获取训练数据中不存在的最新信息
3. 处理复杂任务：将复杂请求分解为多个步骤，依次调用不同工具协同完成连接现有系统：将企业内部 API、数据库封装成工具，让 LLM 成为自然语言驱动的统一接口

2.2 定义工具的三种方式

LangChain 提供了多种定义工具的方式，核心是让 LLM 知道工具名称、工具描述、工具参数这三个关键信息。

2.2.1 方式一：@tool 装饰器（推荐）

这是最简单、最常用的工具定义方式，支持两种参数描述模式。

模式 1：Google 风格文档字符串

from langchain_core.tools import tool from typing_extensions import Annotated @tool def add( a: Annotated[int, ..., "第一个整数"], b: Annotated[int, ..., "第二个整数"], ) -> int: """两数相加 Args: a: 第一个整数 b: 第二个整数 """ return a + b # 查看工具信息 print(add.name) # add print(add.description) # 两数相加 print(add.args) # {'a': {'type': 'integer', 'description': '第一个整数'}, ...}

模式 2：依赖 Pydantic 类如果工具参数比较复杂，推荐使用 Pydantic 类定义参数 schema，提供更强的类型检查和描述能力。

from pydantic import BaseModel, Field class AddInput(BaseModel): """两数相加""" a: int = Field(..., description="第一个整数") b: int = Field(..., description="第二个整数") @tool(args_schema=AddInput) def add(a: int, b: int) -> int: return a + b

2.2.2 方式二：StructuredTool 类

如果你需要更灵活的工具定义（如异步工具、自定义响应格式），可以使用StructuredTool.from_function()。

from langchain_core.tools import StructuredTool from typing import Tuple, List def add(a: int, b: int) -> Tuple[str, List[int]]: """两数相加""" nums = [a, b] content = f"{nums}相加的结果是{a+b}" return content, nums # 创建工具，区分 content 和 artifact add_tool = StructuredTool.from_function( func=add, name="ADD", description="两数相加", args_schema=AddInput, response_format="content_and_artifact" ) # 模拟大模型调用方式 result = add_tool.invoke({ "name": "ADD", "args": {"a": 3, "b": 4}, "type": "tool_call", "id": "111" }) print(result) # 输出：ToolMessage(content='[3, 4]相加的结果是7', name='ADD', tool_call_id='111', artifact=[3, 4])

2.3 工具的绑定与调用

定义好工具后，需要将工具绑定到聊天模型，然后按照 “工具选择 → 工具执行 → 结果总结” 的流程调用。

完整工具调用流程

from langchain_core.messages import HumanMessage, AIMessage, ToolMessage # 定义两个工具 @tool def add(a: int, b: int) -> int: """两数相加""" return a + b @tool def multiply(a: int, b: int) -> int: """两数相乘""" return a * b # 1. 绑定工具到模型 tools = [add, multiply] model_with_tools = model.bind_tools(tools=tools) # 2. 第一步：让模型选择工具 messages = [HumanMessage(content="2乘3等于多少？")] ai_msg = model_with_tools.invoke(messages) messages.append(ai_msg) # 查看模型返回的工具调用信息 print(ai_msg.tool_calls) # 输出：[{'name': 'multiply', 'args': {'a': 2, 'b': 3}, 'id': 'call_xxx', 'type': 'tool_call'}] # 3. 第二步：执行工具调用 for tool_call in ai_msg.tool_calls: # 根据工具名称选择对应的工具 selected_tool = {"add": add, "multiply": multiply}[tool_call["name"].lower()] tool_msg = selected_tool.invoke(tool_call) messages.append(tool_msg) # 4. 第三步：让模型根据工具结果生成最终回答 final_result = model_with_tools.invoke(messages) print(final_result.content) # 输出：2乘3等于6。

强制调用工具

默认情况下，模型会根据输入内容自动决定是否调用工具。如果你想强制模型调用某个工具，可以使用tool_choice参数。

# 强制调用任意一个工具 model_with_tools = model.bind_tools(tools=tools, tool_choice="any") # 强制调用指定工具 model_with_tools = model.bind_tools(tools=tools, tool_choice={"type": "function", "function": {"name": "add"}})

三、实战：集成 Tavily 搜索引擎实现实时天气查询

Tavily 是一个专门为 AI 设计的搜索引擎，专为智能体检索与推理需求量身打造，能够以结构化形式返回搜索结果。

3.1 环境准备

1. 注册 Tavily 账号并获取 API Key：https://www.tavily.com/
2. 配置系统环境变量TAVILY_API_KEY为你的 API Key
3. 安装依赖包：

pip install langchain-tavily langchain-openai

3.2 完整代码实现

from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage from langchain_tavily import TavilySearch # 1. 定义大模型 model = ChatOpenAI(model="gpt-4o-mini") # 2. 定义搜索工具，最多返回4条结果 tool = TavilySearch(max_results=4) # 3. 绑定工具到模型 model_with_tools = model.bind_tools([tool]) # 4. 第一步：用户提问，模型选择调用搜索工具 messages = [ HumanMessage("中国西安今天的天气怎么样?") ] ai_msg = model_with_tools.invoke(messages) messages.append(ai_msg) # 5. 第二步：执行搜索工具 for tool_call in ai_msg.tool_calls: tool_msg = tool.invoke(tool_call) messages.append(tool_msg) # 6. 第三步：模型根据搜索结果生成最终回答 result = model_with_tools.invoke(messages) print(result.content)

3.3 输出结果示例

根据最新的天气信息，北京今天（8月31日）的天气情况如下： **🌤️ 今日天气概况** - **天气状况**：晴间多云，夜间晴朗 - **气温**：最高气温约 **29-32℃**，最低气温约 **17-19℃** - **风力**：北转南风，3级左右（阵风可达5级），夜间转1-2级 - **降水**：无降雨，降水概率为 0% **📌 温馨提示** - 白天体感较热（体感温度约25℃），建议穿着**清凉透气的夏装**，如T恤、短袖等。 - 紫外线指数较高，外出记得**涂抹防晒霜（SPF20以上）**，并佩戴遮阳帽或太阳镜。 - 早晚温差较大（夜间最低17-19℃），如果晚归，建议备一件**薄外套**。 - 天气晴朗无雨，适合户外活动或洗车。 祝您今天出行顺利，生活愉快！😊

四、核心知识点总结

聊天模型：

1. 使用ChatOpenAI初始化 DeepSeek 模型，重点掌握temperature和max_tokens参数
2. 使用init_chat_model()实现多模型统一初始化
3. 使用ChatOllama调用本地部署的开源模型

工具调用：

1. 工具的核心三要素：名称、描述、参数 schema
2. 推荐使用@tool装饰器定义工具，简单高效
3. 工具调用流程：工具选择 → 工具执行 → 结果总结
4. 可以通过tool_choice参数强制模型调用指定工具

Tavily 搜索：

1. Tavily 是专为 AI 设计的搜索引擎，返回结构化结果
2. 只需配置 API Key 即可快速集成，实现实时信息获取

结尾：

本文我们从最基础的聊天模型定义开始，逐步深入到工具调用的底层逻辑，并最终实现了一个能实时搜索天气的 AI 助手。这只是 LangChain 强大功能的冰山一角，后续我们还将学习结构化输出、流式传输、RAG 检索增强生成等高级功能，带你一步步构建生产级的 LLM 应用。如果本文对你有帮助，欢迎点赞、收藏、关注！有任何问题都可以在评论区留言交流。