如何使用Python-LangChain框架创建并注册3-16角函数的工具？

LangChain ReAct Agent 实战：Tool 描述才是工具调用的 “灵魂” 最近在折腾 LangChain 的 ReAct 智能体（Agent）时，踩了个不少新手都会踩的坑：明明代码逻辑看着没问题，工具却要么不调用、要么乱调用，折腾了半天才发现，问题根源竟在Tool 的描述信息上！ 今天就结合实际代码案例，和大家聊聊 ReAct Agent 中 Tool 描述的核心作用，教大家怎么写好描述，让 Agent 精准 “匹配” 工具、高效执行任务。 一、先搭基础：ReAct Agent 的核心逻辑拆解 首先简单回顾下 ReAct Agent 的核心 —— 它遵循 “思考（Thought）— 行动（Action）— 观察（Observation）” 的循环逻辑，能根据用户问题自主判断是否调用工具、调用哪个工具。 我这次的测试代码核心逻辑很清晰，分 6 步走： 初始化大模型（这里用了本地部署的 qwen3.5-27b-awq，保证推理效率）； 定义工具函数（比如本次的华为商城搜索工具）； 封装 Tool 对象（关键！包含工具名称、函数、核心描述）； 编写 ReAct 提示词模板（定义 Agent 的思考、行动格式）； 创建 ReAct Agent 并绑定工具、提示词； 执行 Agent，测试工具调用效果。 其中最关键的一步，就是Tool 对象的封装—— 尤其是description（描述）字段，这是 Agent 识别工具、判断是否调用的核心依据。 二、踩坑实录：Tool 描述不精准，Agent 就 “失灵” 先给大家看本次测试的两个典型场景，直观感受 Tool 描述的重要性： 场景 1：需求匹配工具，Agent 正常调用 当我输入问题 **“华为商城最新的手机有哪些？”** 时，Agent 的执行逻辑很顺畅： 思考：用户问的是华为商城手机信息，需要调用华为商城搜索工具； 行动：调用huawei_mall_search工具，输入关键词 “手机”； 观察：工具返回华为 Mate 60 系列、P60 系列等最新手机信息； 最终输出：整理后的搜索结果，完美回答问题。 场景 2：需求无关工具，Agent “瞎调用” 当我输入问题 **“你可以告诉我各个星座的时间么？”** 时，问题出现了 —— 明明需求和华为商城毫无关系，Agent 却依然尝试调用huawei_mall_search工具，输入 “星座时间” 作为搜索关键词，最终返回 “请在华为商城官网查看详细信息” 的无效结果，完全没回答星座问题。 一开始我以为是模型逻辑出问题，反复检查大模型配置、代码逻辑，都没发现问题。直到逐行核对 Tool 的封装代码，才意识到：Tool 的描述信息太模糊了！ 本次测试中 Tool 的初始描述是："查询华为商城相关信息，包括产品、活动、政策等"—— 这个描述只说了 “能做什么”，却没说 “不能做什么”，也没限定 “适用范围”。Agent 在思考时，会模糊判断 “星座问题是否能通过华为商城搜索间接解答”，最终导致错误调用。 三、核心真相：Tool 描述是 Agent 的 “工具使用说明书” 为什么 Tool 描述这么关键？我们可以把 Agent 比作一个 “新手助理”，工具是 “各种技能道具”—— 而 Tool 描述，就是给新手助理看的道具使用说明书。 Agent 对工具的认知，完全依赖描述信息：它不会主动去看工具函数内部的逻辑，也不会凭空知道这个工具能处理哪些问题、不能处理哪些问题。 ReAct Agent 的思考逻辑是： 接收用户问题后，遍历所有 Tool 的描述； 对比问题与描述的匹配度 —— 如果描述精准匹配，就调用对应 Tool； 如果多个 Tool 都匹配，再根据优先级和问题复杂度选择； 如果都不匹配，就直接用大模型自身的知识回答。 简单说：Tool 描述写得越精准，Agent 的匹配判断就越准确；描述模糊，Agent 就会 “乱选工具”“漏用工具”。 四、实战优化：写好 Tool 描述的 3 个核心原则 结合本次踩坑经验，我总结了写 Tool 描述的 3 个关键原则，按这个来写，能大幅提升 Agent 工具调用的准确率： 原则 1：限定范围，明确 “能做什么” 描述要精准说明工具的核心功能，避免模糊表述，让 Agent 一眼知道工具的核心能力。