工具（Tools） 扩展了 智能体（Agents） 的能力，使其能够获取实时数据、执行代码、查询外部数据库，并在现实世界中执行操作。
在底层，工具本质上是具有明确定义输入和输出的可调用函数，这些函数会被传递给 聊天模型（Chat Model）。模型会根据对话上下文决定是否调用某个工具，并确定应传入哪些参数。
关于模型如何处理工具调用的详细说明，请参阅 工具调用（Tool Calling）。
创建工具
基础工具定义
创建工具最简单的方式是使用 @tool 装饰器。默认情况下，函数的文档字符串（docstring）会作为工具的描述，帮助模型理解何时应使用该工具：
fromlangchain.toolsimporttool@tooldefsearch_database(query:str,limit:int=10)->str:"""在客户数据库中搜索匹配指定查询条件的记录。 Args: query: 要搜索的关键词 limit: 返回结果的最大数量 """returnf"找到{limit}条关于 '{query}' 的结果"类型提示（Type hints）是必需的，因为它们定义了工具的输入结构（input schema）。文档字符串应简洁且信息丰富，以帮助模型准确理解工具的用途。
服务端工具调用（Server-side tool use）
某些聊天模型（例如 OpenAI、Anthropic 和 Gemini）支持 内置工具（built-in tools），这些工具在服务端执行，例如网络搜索或代码解释器。请查阅 提供商概览（Provider Overview），了解如何在你使用的具体聊天模型中启用这些功能。
自定义工具属性
- 自定义工具名称
默认情况下，工具名称取自函数名。如果需要更具描述性的名称，可以显式指定：
@tool("web_search")# 自定义名称defsearch(query:str)->str:"""在网络上搜索信息。"""returnf"搜索结果：{query}"print(search.name)# 输出: web_search- 自定义工具描述
你可以覆盖自动生成的工具描述，为模型提供更清晰的使用指引：
@tool("calculator",description="执行算术运算。遇到任何数学问题都应使用此工具。")defcalc(expression:str)->str:"""计算数学表达式。"""returnstr(eval(expression))- 高级输入结构定义
对于复杂输入，可以使用 Pydantic 模型或 JSON Schema 进行定义：
- Pydantic 模型
frompydanticimportBaseModel,FieldfromtypingimportLiteralclassWeatherInput(BaseModel):"""Input for weather queries."""location:str=Field(description="City name or coordinates")units:Literal["celsius","fahrenheit"]=Field(default="celsius",description="Temperature unit preference")include_forecast:bool=Field(default=False,description="Include 5-day forecast")@tool(args_schema=WeatherInput)defget_weather(location:str,units:str="celsius",include_forecast:bool=False)->str:"""Get current weather and optional forecast."""temp=22ifunits=="celsius"else72result=f"Current weather in{location}:{temp}degrees{units[0].upper()}"ifinclude_forecast:result+="\nNext 5 days: Sunny"returnresult- JSON Schema
weather_schema={"type":"object","properties":{"location":{"type":"string"},"units":{"type":"string"},"include_forecast":{"type":"boolean"}},"required":["location","units","include_forecast"]}@tool(args_schema=weather_schema)defget_weather(location:str,units:str="celsius",include_forecast:bool=False)->str:"""Get current weather and optional forecast."""temp=22ifunits=="celsius"else72result=f"Current weather in{location}:{temp}degrees{units[0].upper()}"ifinclude_forecast:result+="\nNext 5 days: Sunny"returnresult- 保留参数名
以下参数名已被系统保留，不能用作工具参数，否则会导致运行时错误：
| 参数名 | 用途说明 |
|---|---|
| config | 保留用于内部向工具传递 RunnableConfig |
| runtime | 保留用于 ToolRuntime 参数（用于访问状态、上下文、存储等） |
若需访问运行时信息，请使用 ToolRuntime 参数，而不是自行定义名为 config 或 runtime 的参数。
访问上下文（Accessing Context）
为什么这很重要？当工具能够访问智能体状态、运行时上下文和长期记忆时，其能力最为强大。这使得工具能做出上下文感知的决策、个性化响应，并在多轮对话中保持信息一致性。
运行时上下文（Runtime Context）允许你在运行时将依赖项（如数据库连接、用户 ID 或配置）注入工具，从而提升工具的可测试性和复用性。
通过 ToolRuntime 参数，工具可以访问以下运行时信息：
- State（状态）：在执行过程中流动的可变数据（如消息列表、计数器、自定义字段）
- Context（上下文）：不可变的配置信息，如用户 ID、会话详情或应用特定配置
- Store（存储）：跨会话的持久化长期记忆
- Stream Writer（流写入器）：在工具执行过程中流式输出自定义更新
- Config（配置）：当前执行的 RunnableConfig
- Tool Call ID（工具调用 ID）：当前工具调用的唯一标识符
ToolRuntime
使用 ToolRuntime 可以在一个参数中统一访问所有运行时信息。只需在工具函数签名中添加 runtime: ToolRuntime，系统会自动注入该参数，而不会暴露给大语言模型（LLM）。
ToolRuntime是一个统一参数，为工具提供对状态、上下文、存储、流写入、配置和工具调用 ID 的访问能力。它取代了旧版中分散使用的InjectedState、InjectedStore、get_runtime和InjectedToolCallId等注解。
运行时会自动为你提供这些能力，无需显式传递参数或依赖全局状态。
访问状态（State）
工具可通过 ToolRuntime 访问当前图（graph）的状态：
fromlangchain.toolsimporttool,ToolRuntime# 访问当前对话状态@tooldefsummarize_conversation(runtime:ToolRuntime)->str:"""总结当前对话内容。"""messages=runtime.state["messages"]human_msgs=sum(1forminmessagesifm.__class__.__name__=="HumanMessage")ai_msgs=sum(1forminmessagesifm.__class__.__name__=="AIMessage")tool_msgs=sum(1forminmessagesifm.__class__.__name__=="ToolMessage")returnf"对话包含{human_msgs}条用户消息、{ai_msgs}条 AI 回复和{tool_msgs}条工具结果"# 访问自定义状态字段@tooldefget_user_preference(pref_name:str,runtime:ToolRuntime# ToolRuntime 对模型不可见)->str:"""获取用户的某项偏好设置。"""preferences=runtime.state.get("user_preferences",{})returnpreferences.get(pref_name,"未设置")runtime参数对模型是隐藏的。以上例中，模型在工具 Schema 中仅看到pref_name，不会看到runtime。
更新状态（Updating State）
使用 Command 可更新智能体状态或控制图的执行流程：
fromlanggraph.typesimportCommandfromlangchain.messagesimportRemoveMessagefromlanggraph.graph.messageimportREMOVE_ALL_MESSAGESfromlangchain.toolsimporttool,ToolRuntime# 清空对话历史@tooldefclear_conversation()->Command:"""清空对话历史。"""returnCommand(update={"messages":[RemoveMessage(id=REMOVE_ALL_MESSAGES)],})# 更新用户姓名@tooldefupdate_user_name(new_name:str,runtime:ToolRuntime)->Command:"""更新用户姓名。"""returnCommand(update={"user_name":new_name})上下文（Context）
通过 runtime.context 可访问不可变的配置和上下文数据，如用户 ID、会话信息或应用配置：
fromdataclassesimportdataclassfromlangchain_openaiimportChatOpenAIfromlangchain.agentsimportcreate_agentfromlangchain.toolsimporttool,ToolRuntime USER_DATABASE={"user123":{"name":"Alice Johnson","account_type":"Premium","balance":5000,"email":"alice@example.com"},"user456":{"name":"Bob Smith","account_type":"Standard","balance":1200,"email":"bob@example.com"}}@dataclassclassUserContext:user_id:str@tooldefget_account_info(runtime:ToolRuntime[UserContext])->str:"""获取当前用户的账户信息。"""user_id=runtime.context.user_idifuser_idinUSER_DATABASE:user=USER_DATABASE[user_id]returnf"账户持有人：{user['name']}\n类型：{user['account_type']}\n余额：${user['balance']}"return"用户未找到"model=ChatOpenAI(model="gpt-4o")agent=create_agent(model,tools=[get_account_info],context_schema=UserContext,system_prompt="你是一名金融助手。")result=agent.invoke({"messages":[{"role":"user","content":"我的当前余额是多少？"}]},context=UserContext(user_id="user123"))记忆（Memory / Store）
通过 runtime.store 可访问跨会话的持久化数据。存储（Store）允许你保存和检索用户或应用级别的长期信息：
fromtypingimportAnyfromlanggraph.store.memoryimportInMemoryStorefromlangchain.agentsimportcreate_agentfromlangchain.toolsimporttool,ToolRuntime# 读取用户信息@tooldefget_user_info(user_id:str,runtime:ToolRuntime)->str:"""查询用户信息。"""store=runtime.store user_info=store.get(("users",),user_id)returnstr(user_info.value)ifuser_infoelse"未知用户"# 保存用户信息@tooldefsave_user_info(user_id:str,user_info:dict[str,Any],runtime:ToolRuntime)->str:"""保存用户信息。"""store=runtime.store store.put(("users",),user_id,user_info)return"用户信息保存成功。"store=InMemoryStore()agent=create_agent(model,tools=[get_user_info,save_user_info],store=store)# 第一次会话：保存用户信息agent.invoke({"messages":[{"role":"user","content":"保存以下用户信息：userid: abc123, name: Foo, age: 25, email: foo@langchain.dev"}]})# 第二次会话：读取用户信息agent.invoke({"messages":[{"role":"user","content":"获取 ID 为 'abc123' 的用户信息"}]})# 输出示例：# - 姓名：Foo# - 年龄：25# - 邮箱：foo@langchain.dev流写入器（Stream Writer）
通过 runtime.stream_writer，工具可在执行过程中流式输出自定义更新，适用于向用户提供实时反馈：
fromlangchain.toolsimporttool,ToolRuntime@tooldefget_weather(city:str,runtime:ToolRuntime)->str:"""获取指定城市的天气。"""writer=runtime.stream_writer# 在执行过程中流式输出进度writer(f"正在查询城市{city}的数据...")writer(f"已获取{city}的天气数据")returnf"{city}永远阳光明媚！"若在工具中使用runtime.stream_writer，则必须在 LangGraph 的执行上下文中调用该工具。更多详情请参阅 流式处理（Streaming）。
的问题分解方案附Matlab代码)
