在之前的学习中，我们眼中的大模型（LLM）更像是一个博学但封闭的“大脑”。它能陪你聊天、写诗、解释复杂的概念，但它有一个致命的弱点：它无法触及外部世界。

它不知道此时此刻北京的天气（因为它只有历史数据），它算不好复杂的加减乘除（因为它是基于概率预测文字，而不是计算器），它更无法帮你查询数据库。

今天这一课，我们将通过 LangChain 的Tools（工具）模块，打破这层次元壁。我们将学习如何将自定义函数变成大模型可以调用的“工具”，让 AI 从“只会聊天”进化为“能干实事”。

为什么需要 Tools？

大模型的核心能力是理解意图和生成文本。当我们把“工具”引入系统时，我们实际上是在通过 Prompt 告诉大模型：

“嘿，我这里有一个查天气的函数和一个做加法的函数。如果用户问的问题涉及到这两个领域，不要自己瞎编，请告诉我你需要用哪个函数，以及参数是什么。”

这就是Function Calling（函数调用）的核心逻辑。

在本文中，我们将构建一个基于 DeepSeek 模型的应用，通过两个具体的工具——天气查询器和加法计算器，来演示这一过程。

第一步：定义工具（The “Hands”）

在 LangChain 中，定义一个工具不仅仅是写一个函数，我们还需要告诉大模型这个工具是干什么用的（Description），以及它需要什么参数（Schema）。

我们需要引入zod库来进行参数的类型验证，这是连接自然语言与程序代码的桥梁。

1. 模拟一个天气数据库

首先，因为我们没有真实的 API key，我们用一个对象来模拟数据库：

// 模拟的天气数据库 const fakeWeatherDB = { 北京: { temp: "30摄氏度", condition: "晴", wind: "微风"}, 上海: { temp: "28摄氏度", condition: "多云", wind: "强"}, 广州: { temp: "26摄氏度", condition: "阴", wind: "中"}, }

2. 创建天气工具

我们使用@langchain/core/tools中的tool方法来封装逻辑。

请注意schema部分。我们使用z.object定义了输入必须包含city字段，并且必须是字符串。这非常关键，因为大模型会根据这个定义，从用户的自然语言（如“北京今天咋样”）中提取出{ city: "北京" }。

import { tool } from '@langchain/core/tools'; import { z } from 'zod'; const weatherTool = tool( async ({ city }) => { const weather = fakeWeatherDB[city]; if(!weather) { return `城市${city}的天气信息不存在`; } return `城市${city}的天气是${weather.temp}, ${weather.condition}, 风力${weather.wind}`; }, { name: "get_weather", description: "查询指定城市的今日天气情况", // 给大模型看的说明书 schema: z.object({ city: z.string().describe("要查询天气的城市") // 参数描述 }) } )

3. 创建加法工具

同理，大模型通常不擅长精确数学计算。我们可以给它一个计算器：

const addTool = tool( async ({a, b}) => String(a + b), // 将结果转为字符串返回给模型 { name: 'add', description: '计算两个数字的和', schema: z.object({ a: z.number(), b: z.number() }) } )

第二步：绑定模型（The “Brain”）

有了工具，我们还需要让“大脑”知道它们的存在。我们将使用ChatDeepSeek模型，并通过.bindTools()方法将刚才定义的工具箱挂载到模型上。

import { ChatDeepSeek } from '@langchain/deepseek'; import 'dotenv/config'; const model = new ChatDeepSeek({ model: 'deepseek-chat', temperature: 0 // 设置为0，让模型更理性，专注于任务执行 }).bindTools([addTool, weatherTool]);

.bindTools()是整个流程的点睛之笔。它并不会改变模型的内部权重，而是将工具的描述和 Schema 转换成特定格式的 System Prompt 发送给大模型，让模型进入“待命状态”。

第三步：调用与执行（The Action）

现在，让我们看看当我们向模型提问时，究竟发生了什么。

场景一：用户询问天气

const res = await model.invoke("北京今天的天气怎么样？");

如果是普通的聊天模型，它可能会回答：“作为一个 AI 我无法联网…”。

但因为绑定了工具，模型会分析语意，发现这匹配了 get_weather 的描述。

此时，模型并没有直接执行代码（切记，大模型只是文本生成器，它运行不了 JS 代码）。它返回的res对象中包含了一个特殊的属性：tool_calls。

让我们打印看看res.tool_calls[0]长什么样：

{ name: 'get_weather', args: { city: '北京' }, type: 'tool_call', id: 'call_00_xyz...' }

模型准确地提取了函数名和参数！

JavaScript 小贴士：优雅的可选链（Optional Chaining）

在处理模型返回结果时，我们需要非常小心。因为模型不一定总是调用工具。如果用户问“你好”，模型可能只返回文本，此时tool_calls是 undefined。

在传统代码中，我们可能需要这样写防御性代码：

// 繁琐的写法 if (res.tool_calls && res.tool_calls.length > 0) { // 执行逻辑 }

但在 ES6+ 中，我们可以使用可选链操作符 (?.)来让代码更优雅：

// 优雅的写法 if (res.tool_calls?.length) { // 只有当 tool_calls 存在且长度不为 0 时，才执行 }

它的作用是安全地访问嵌套对象的属性，一旦中间某个值为null或undefined，表达式会立即短路返回undefined，而不会报错导致程序崩溃。

第四步：闭环（执行工具逻辑）

最后一步，我们需要在代码中捕获模型的“意图”，并在本地执行真正的函数，然后获取结果。

if(res.tool_calls?.length) { const toolCall = res.tool_calls[0]; // 获取第一个工具调用请求 console.log("模型请求调用工具:", toolCall.name); if (toolCall.name === 'add') { // 调用加法工具 const result = await addTool.invoke(toolCall.args); console.log("最终结果：", result); } else if (toolCall.name === 'get_weather') { // 调用天气工具 const result = await weatherTool.invoke(toolCall.args); console.log("最终结果：", result); } }

当我们运行这段代码时，控制台将输出：

最终结果： 城市北京的天气是30摄氏度, 晴, 风力微风

如果用户问数学题呢？

如果我们把输入改为：model.invoke(“3 + 5等于多少？”)。

模型会返回 name: ‘add’ 和 args: { a: 3, b: 5 }。

我们的代码会命中 add 分支，最终输出 8。

总结与思考

通过今天的课程，我们揭开了 AI Agent（智能体）最基础的雏形：

1. 定义：利用zod和tool定义清晰的函数边界。
2. 绑定：利用bindTools赋予大模型选择权。
3. 解析：利用tool_calls获取模型的决策。
4. 执行：在本地运行代码并获取结果。

为什么这很重要？

这就好比给大脑（LLM）接上了手（Tools）。虽然在这个简单的例子中，我们需要手动写 if/else 来判断执行哪个工具，但在更高级的 LangChain Agent 模块中，这一过程是自动化的——模型会自己“观察”结果，甚至根据结果进行下一轮的思考（ReAct 模式）。