基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

系列目标 ：30 天从 LangChain 入门到企业级部署 今日任务 ：理解 ReAct Agent 原理 → 实现自定义 Tool → 构建“查订单 + 发通知”自动化工作流！ 🤖 一、为什么需要 Function Calling？ 普通聊天机器人只能“说”，但企业需要 AI 能“做”： “帮我查订单 1001 的状态” “如果已发货，发邮件通知客户” “顺便查下今天北京天气” 传统 Chain 的局限 ： ❌ 固定流程，无法动态决策 ❌ 不能组合多个外部服务 解决方案 ： ✅ Agent + Tools —— 让 LLM 自主规划 、 调用工具 、 整合结果 ！ 💡 今天，我们就用 LangChain 的 ReAct Agent + 自定义 Tool ，打造一个会“思考+行动”的 AI 助手！ 🧠 二、Agent 核心原理：ReAct 框架 ReAct = Reasoning（推理） + Acting（行动） 工作流程： 用户提问 → Agent 分析是否需要工具 若需要 → 选择合适 Tool + 生成参数 调用 Tool → 获取结果 基于结果生成最终回答（可多轮） 🔑 关键：LLM 必须支持 Function Calling （结构化输出） ✅ Qwen 通过 Ollama 支持 Function Calling （需 ollama>=0.1.34 ） 🛠️ 三、动手实践 1：定义自定义 Tool 假设我们有两个内部服务： Tool 1：查询订单状态（模拟）

day23_agent_tools.py

from langchain_core.tools import tool @tool def get_order_status ( order_id: str ) -> str : “““根据订单ID查询物流状态。…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。