← 文章列表
LLM

🔧 LangChain 1.0 Tool Calling 實戰：讓 AI Agent 學會使用工具

2025-11-13 · — views

如果你曾經想過：

「我能不能讓 AI 自己決定要用哪個工具來完成任務？」

那你來對地方了！這篇文章要帶你體驗 LangChain 1.0 的 Tool Calling 功能，讓你的 AI Agent 不只會聊天，還能根據情境自動選擇並執行工具。

Tool Calling 是什麼？

Tool Calling（工具調用）是讓 LLM 能夠「理解何時需要外部工具」，並且「自動呼叫適當的函式」來完成任務的能力。

你可以想像成：

你問模型：「東京現在幾點？天氣如何？」
模型心裡想：「這需要兩個工具！先查時間，再查天氣」
模型自動呼叫：get_current_time("PST") 和 get_weather("Tokyo")
模型整合結果：「東京目前是晴天！PST 時區現在是...」

相比傳統 LLM 只能「猜測」或「編造」答案，Tool Calling 讓 AI 能夠：

  • 取得即時資訊（天氣、股價、新聞）
  • 執行實際操作（發送郵件、資料庫查詢、API 呼叫）
  • 處理複雜任務（多步驟推理 + 工具組合）

我們這次用到的工具組合

工具用途
LangChain 1.0串接 Agent 和工具的核心框架
AzureChatOpenAI使用 Azure OpenAI 的 GPT 模型
@tool 裝飾器把 Python 函式變成 LangChain 工具
create_agentLangChain 1.0 的新標準 API
python-dotenv管理環境變數和配置
Rich美化終端輸出

動手做：打造一個多功能 AI Agent

來看我們的核心實作 👇

import os
from dotenv import load_dotenv
from langchain_openai import AzureChatOpenAI
from datetime import datetime
import pytz
from langchain.agents import create_agent
from langchain.tools import tool
from rich import print as rprint

# Load environment variables from .env file
load_dotenv()

# Initialize Azure OpenAI model explicitly
model = AzureChatOpenAI(
    azure_endpoint=os.getenv("AZURE_OPENAI_ENDPOINT"),
    api_key=os.getenv("AZURE_OPENAI_API_KEY"),
    api_version=os.getenv("AZURE_OPENAI_API_VERSION"),
    azure_deployment=os.getenv("AZURE_OPENAI_DEPLOYMENT_NAME"),
    temperature=0,
)

@tool
def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

@tool
def calculate_temperature(fahrenheit: float) -> str:
    """Convert Fahrenheit to Celsius."""
    celsius = (fahrenheit - 32) * 5/9
    return f"{fahrenheit}°F is {celsius:.1f}°C"

@tool
def get_current_time(timezone: str = "UTC") -> str:
    """Get current time in a specific timezone. Supported: UTC, PST, EST."""
    timezone_map = {
        "UTC": "UTC",
        "PST": "America/Los_Angeles",
        "EST": "America/New_York"
    }
    
    tz = pytz.timezone(timezone_map.get(timezone, "UTC"))
    current_time = datetime.now(tz)
    return f"Current time in {timezone}: {current_time.strftime('%Y-%m-%d %H:%M:%S')}"

# Create agent using LangChain 1.0 standard API
agent = create_agent(
    model=model,
    tools=[get_weather, calculate_temperature, get_current_time],
    system_prompt="You are a helpful assistant",
)

# Run the agent
result = agent.invoke(
    {"messages": [{"role": "user", "content": "What's the weather in Tokyo? Also, what time is it in PST timezone?"}]}
)

rprint(result)

這裡是重點：

  • @tool 裝飾器：把普通 Python 函式變成 LangChain 可用的工具
  • docstring 超重要：LLM 會讀 docstring 來決定何時使用這個工具
  • create_agent：LangChain 1.0 的新標準 API，取代舊的 AgentExecutor
  • 自動工具選擇：Agent 會根據問題自動決定要呼叫哪些工具

這就是一條完整的「先理解需求 → 選擇工具 → 執行 → 整合回答」的 Agent 流程。

核心概念拆解

1. 為什麼要用 @tool 裝飾器？

@tool
def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

@tool 會做這些事：

  • 自動解析函式簽名（參數類型、名稱）
  • 把 docstring 轉成工具描述
  • 生成 JSON Schema 讓 LLM 理解工具用法
  • 包裝成 LangChain Tool 物件

2. LangChain 1.0 的 create_agent 有什麼不同？

舊版（LangChain < 1.0）：

# 需要手動建立 AgentExecutor
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools)
result = agent_executor.invoke({"input": "question"})

新版（LangChain 1.0）：

# 一行搞定！
agent = create_agent(model=model, tools=tools, system_prompt="...")
result = agent.invoke({"messages": [...]})

優勢：

  • 更簡潔：不需要手動建立 AgentExecutor
  • 更靈活：支援 middleware、context schema
  • 更標準：統一的訊息格式

3. 明確初始化 AzureChatOpenAI 的好處

model = AzureChatOpenAI(
    azure_endpoint=os.getenv("AZURE_OPENAI_ENDPOINT"),
    api_key=os.getenv("AZURE_OPENAI_API_KEY"),
    api_version=os.getenv("AZURE_OPENAI_API_VERSION"),
    azure_deployment=os.getenv("AZURE_OPENAI_DEPLOYMENT_NAME"),
    temperature=0,
)

這樣做的好處：

  • 配置明確：所有參數一目了然
  • 易於調整：可以輕鬆修改 temperature、timeout 等參數
  • 不依賴環境變數自動檢測：從任何 config 來源讀取都可以
  • 更好 debug：出問題時能快速定位配置錯誤

實際測試

result = agent.invoke({
    "messages": [{
        "role": "user", 
        "content": "What's the weather in Tokyo? Also, what time is it in PST timezone?"
    }]
})

執行流程：

  1. Agent 分析問題：「需要查天氣 + 查時間」
  2. 自動呼叫 get_weather("Tokyo")
  3. 自動呼叫 get_current_time("PST")
  4. 整合結果並回答

輸出結果：

It's always sunny in Tokyo! 
The current time in PST timezone is 2025-11-13 08:30:15

我們可以看到，雖然我們有三個Tool，但Agent在理解了問題後，只使用了兩個Tool (Agent判斷問題跟溫度無關)

進階技巧與延伸應用

技巧 1：工具的 docstring 設計

@tool
def search_database(query: str, limit: int = 10) -> str:
    """
    Search the company database for relevant information.
    
    Args:
        query: The search query string
        limit: Maximum number of results to return (default: 10)
    
    Returns:
        JSON formatted search results
    """
    # Implementation here

要點：

  • 寫清楚功能、參數、回傳值
  • 使用自然語言描述，LLM 更容易理解
  • 提供預設值範例

技巧 2：錯誤處理

@tool
def risky_operation(param: str) -> str:
    """Perform a risky operation that might fail."""
    try:
        # Actual operation
        result = some_api_call(param)
        return f"Success: {result}"
    except Exception as e:
        return f"Error: {str(e)}"

技巧 3：多 Agent 協作

應用場景工具組合
資料分析 Agentquery_database + generate_chart + statistical_analysis
客服 Agentsearch_faq + create_ticket + send_email
開發助手 Agentsearch_docs + run_code + git_commit

技巧 4：使用 Rich 美化輸出

from rich import print as rprint
from rich.console import Console
from rich.table import Table

console = Console()

# 建立漂亮的表格
table = Table(title="Agent Execution Results")
table.add_column("Tool", style="cyan")
table.add_column("Status", style="green")
table.add_column("Result")

table.add_row("get_weather", "✅ Success", "Sunny in Tokyo")
table.add_row("get_current_time", "✅ Success", "2025-11-13 08:30")

console.print(table)

結語

這次我們示範了如何在 LangChain 1.0 中實作 Tool Calling，讓 AI Agent 能夠：

  • 理解任務需求
  • 自動選擇工具
  • 執行實際操作
  • 整合結果回答

這是從「純聊天機器人」到「具備行動能力的 AI Agent」的關鍵一步。

未來可以應用在

  • 企業自動化：串接內部系統 API
  • 資料分析助手：自動查詢、分析、視覺化
  • 客服機器人：查詢訂單、處理退款、發送通知
  • 研究助手：搜尋論文、整理資料、生成報告
  • 辦公助手：管理行事曆、發送郵件、整理文件

相關資源

完整環境配置

依賴套件：

uv add langchain langchain-openai python-dotenv rich pytz

.env 設定：

AZURE_OPENAI_ENDPOINT="https://your-endpoint.openai.azure.com/"
AZURE_OPENAI_API_KEY="your-api-key"
AZURE_OPENAI_API_VERSION="2024-12-01-preview"
AZURE_OPENAI_DEPLOYMENT_NAME="gpt-4.1"

如果這篇文章對你有幫助，歡迎分享給更多對 LLM 和 AI Agent 感興趣的朋友！

Tags: #LangChain #LLM #AI Agent #Tool Calling #Azure OpenAI #Python

LLM AI Agent

相關文章

LLM
AI Native 從 25% 到 40%：YC 兩年告訴我們的幾件事
2026-05-02
Harness Engineering
從一個任務出發：怎麼疊加一個夠用的 Agent 系統
2026-05-01
Harness Engineering
四個 Agent 框架，四種對「穩定性」的理解
2026-04-30