Python项目中LangChain Agent与工具的正确使用及常见问题解答

1. Agent如何决定是否使用工具？ #

LangChain的Agent（比如你用的zero-shot-react-description）依赖ReAct思维框架和工具的description字段做决策：

• LLM会先分析用户查询，结合所有工具的描述，判断当前任务是否需要调用工具，或是直接生成回答。
• 如果判定需要工具，会进一步匹配最符合任务场景的工具（完全依赖工具描述的准确性）。
• 你的代码里工具描述"Processes input"过于模糊，LLM无法明确触发条件，所以没调用工具。需要把描述写得具体，明确适用场景、输入输出格式。

2. 真实项目中工具的正确结构是什么？ #

工具需要满足单一职责、描述清晰、鲁棒性强三个核心要求，以下是标准实现示例：

步骤1：实现单一职责的工具函数 #

函数聚焦一个具体功能，加入参数校验和错误处理：

def text_uppercase_processor(input_text: str) -> str:
    # 参数校验
    if not isinstance(input_text, str) or not input_text.strip():
        return "Error: Input must be a non-empty string."
    # 核心功能
    return f"Processed (uppercase): {input_text.upper()}"

步骤2：用Tool类封装并编写精准描述 #

描述要包含适用场景、输入要求、输出说明，让LLM能准确判断调用时机：

from langchain.agents import Tool, initialize_agent
from langchain.llms import OpenAI

tools = [
    Tool(
        name="TextUppercaseProcessor",
        func=text_uppercase_processor,
        description="Use this tool ONLY when you need to convert user-provided text to uppercase. The input must be a non-empty string. Returns the uppercase version of the input text with a prefix."
    )
]

# 初始化Agent并测试
llm = OpenAI(temperature=0)  # 低temperature减少随机性
agent = initialize_agent(
    tools,
    llm,
    agent="zero-shot-react-description",
    verbose=True
)

response = agent.run("Convert 'hello world' to uppercase")
print(response)

进阶：使用StructuredTool处理复杂参数 #

如果工具需要多参数，推荐用StructuredTool（支持Pydantic模型定义参数），避免LLM传参错误：

from langchain.tools import StructuredTool
from pydantic import BaseModel, Field

class TextProcessInput(BaseModel):
    text: str = Field(description="The text to process")
    to_upper: bool = Field(description="Whether to convert to uppercase")

def process_text(text: str, to_upper: bool) -> str:
    if to_upper:
        return text.upper()
    return text.lower()

structured_tool = StructuredTool.from_function(
    func=process_text,
    name="TextProcessor",
    description="Process text by converting to uppercase or lowercase. Requires two parameters: text (non-empty string) and to_upper (boolean).",
    args_schema=TextProcessInput
)

3. 何时应该使用Chain而非Agent？ #

优先选择Chain的场景：

• 固定流程任务：比如"提取文本关键词→生成摘要→翻译成法语"，步骤固定，不需要动态决策。
• 性能敏感场景：Agent需要多次调用LLM（思考→调用工具→观察→再思考），耗时更长；Chain的LLM调用次数固定，速度更快。
• 无工具需求的纯文本任务：比如文本分类、情感分析，不需要调用外部工具，用Chain更直接。
• 高可预测性需求：Agent可能出现幻觉或错误调用工具，Chain的执行步骤完全可控，结果更稳定。

内容的提问来源于stack exchange，提问作者Milan Suryavanshi