Définir et utiliser des outils
Apprenez à créer et à intégrer des outils permettant aux agents d’effectuer des actions comme rechercher sur le Web ou exécuter du code.
Définir et utiliser des outils est une leçon AI Agents with LangChain & Autonomous Workflows gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents with LangChain & Autonomous Workflows, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents with LangChain & Autonomous Workflows comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Agents Need Tools
Welcome! In this lesson, we'll explore how AI agents can go beyond just talking. While Large Language Models (LLMs) are great at understanding and generating text, they have limitations.
They can't access real-time information, perform calculations, or interact with external systems. This is where tools come in!
Extending Agent Capabilities
Think of tools as the agent's 'hands' and 'eyes' to the outside world. They allow an agent to:
- Search the web: Get up-to-date information.
- Execute code: Perform calculations or run scripts.
- Access databases: Retrieve specific data.
- Interact with APIs: Control smart devices, send emails, etc.
Tools transform a conversational LLM into an active, problem-solving agent.
Tool's Core Components
In LangChain, a tool is essentially a function that an agent can call. Every tool needs three core components:
- Function (
func): The actual Python code that performs the action. - Name (
name): A unique string identifier for the tool. - Description (
description): A clear, concise explanation of what the tool does and when it should be used. This helps the LLM decide if and when to use the tool.
Crafting a Tool Function
Let's start by defining a simple Python function. This function will simulate getting weather information. This is the 'action' part of our future tool.
Notice the location: str type hint. This helps define what input the function expects.
def get_current_weather(location: str) -> str:
"""Get the current weather in a given location."""
# In a real application, this would call an external API.
if location == "London":
return "It's 15 degrees Celsius and cloudy."
elif location == "New York":
return "It's 22 degrees Celsius and sunny."
else:
return "Weather data not available for this location."Making it a LangChain Tool
Now, let's wrap our get_current_weather function into a LangChain Tool object. We'll give it a name and a helpful description. You can run this snippet to see the tool's properties.
from langchain.tools import Tool
def get_current_weather(location: str) -> str:
"""Get the current weather in a given location."""
if location == "London":
return "It's 15 degrees Celsius and cloudy."
elif location == "New York":
return "It's 22 degrees Celsius and sunny."
else:
return "Weather data not available for this location."
# Create the Tool object
weather_tool = Tool(
name="get_current_weather",
func=get_current_weather,
description="Useful for getting the current weather in a specific location."
)
if __name__ == "__main__":
print(f"Tool name: {weather_tool.name}")
print(f"Tool description: {weather_tool.description}")
print(f"Weather in London (direct call): {weather_tool.func('London')}")Agent Chooses Wisely
Once you've defined your Tool objects, you pass a list of them to your LangChain agent. The LLM within the agent then uses its reasoning capabilities to decide:
- If a tool is needed for the current user query.
- Which tool to use from the available list.
- What arguments to pass to the chosen tool.
This decision is heavily influenced by the tool's description.
Equipping Your Agent (Conceptual)
While a full runnable agent requires an LLM API key, conceptually, this is how you'd equip an agent with our weather_tool. The agent is 'initialized' with a list of tools it can use.
When you ask the agent a question like "What's the weather in Paris?", it will read the description of weather_tool and decide to call its function with "Paris" as the argument.
from langchain.agents import initialize_agent, AgentType
from langchain.tools import Tool
# from langchain_openai import ChatOpenAI # Requires API key
# Assume weather_tool is defined as before
def get_current_weather(location: str) -> str:
return "Weather data..." # Simplified for concept
weather_tool = Tool(
name="get_current_weather",
func=get_current_weather,
description="Useful for getting the current weather."
)
# This part needs an actual LLM setup, e.g.:
# llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo")
# agent = initialize_agent(
# [weather_tool],
# llm,
# agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
# verbose=True
# )
# The agent then uses the tool based on query.Clear Descriptions are Key
The description of your tool is paramount. It's the only way the LLM understands its purpose.
- Be specific: Clearly state what the tool does.
- Mention inputs: What information does it need?
- State outputs: What kind of result does it return?
- Guide usage: When should the agent consider using this tool?
A poorly described tool will either be ignored or used incorrectly by the agent.
Structured Tool Inputs (Pydantic)
For more complex tools, you can ensure the agent provides arguments in a specific format using Pydantic. This helps validate inputs and makes your tools robust.
We define a BaseModel that describes the expected inputs. LangChain uses this to guide the LLM's argument generation.
from langchain.tools import Tool
from pydantic import BaseModel, Field
from typing import Type
# Define a Pydantic model for the tool's input
class WeatherInput(BaseModel):
location: str = Field(description="The city and state, e.g., San Francisco, CA")
def get_current_weather_with_schema(location: str) -> str:
"""Get the current weather in a given location."""
if location == "London":
return "It's 15 degrees Celsius and cloudy."
elif location == "New York":
return "It's 22 degrees Celsius and sunny."
else:
return "Weather data not available for this location."
weather_tool_schema = Tool(
name="get_current_weather",
func=get_current_weather_with_schema,
description="Useful for getting the current weather in a specific location.",
args_schema=WeatherInput # Link the Pydantic schema here
)
if __name__ == "__main__":
print(f"Tool with schema: {weather_tool_schema.name}")
print(f"Expected input fields: {weather_tool_schema.args_schema.schema()['properties']}")Check Your Understanding
Consider the role of tools in LangChain agents.
Tools: Agents' Superpowers
You've successfully started your journey into equipping AI agents with tools! We learned that:
- Tools are functions that extend an agent's capabilities beyond its inherent LLM knowledge.
- Every tool needs a function, a unique name, and a clear description.
- Good descriptions are vital for the LLM to choose and use tools correctly.
- Pydantic schemas can provide structured input validation for tools.
Next, we'll explore different agent types and how they make decisions about using these tools!
Questions Fréquemment Posées
La leçon « Définir et utiliser des outils » est-elle gratuite ?
Oui — le texte complet de « Définir et utiliser des outils » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents with LangChain & Autonomous Workflows, passe à CoddyKit PRO. Le cours AI Agents with LangChain & Autonomous Workflows comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Définir et utiliser des outils » ?
Apprenez à créer et à intégrer des outils permettant aux agents d’effectuer des actions comme rechercher sur le Web ou exécuter du code. Tu pratiques AI Agents with LangChain & Autonomous Workflows avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Agents with LangChain & Autonomous Workflows ?
Aucune expérience préalable n'est requise. AI Agents with LangChain & Autonomous Workflows sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Définir et utiliser des outils » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Agents with LangChain & Autonomous Workflows ?
Oui. Chaque leçon AI Agents with LangChain & Autonomous Workflows inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Définir et utiliser des outils
- Types d’agents et prise de décision
- Exploiter les boîtes à outils prêtes à l’emploi
- Gestion des erreurs et exécution sûre des outils