AI Agents with LangChain & Autonomous Workflows · 강의

도구 모음 및 구조화된 도구 입력

관련 도구를 재사용 가능한 도구 모음으로 묶고 스키마를 사용하여 구조화된 형식의 인수를 정의함으로써, 에이전트가 올바른 매개변수로 도구를 안정적으로 호출하도록 합니다.

도구 모음 및 구조화된 도구 입력은(는) CoddyKit의 무료 AI Agents with LangChain & Autonomous Workflows 강의입니다. 이것은 4개 중 4번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 AI Agents with LangChain & Autonomous Workflows 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. AI Agents with LangChain & Autonomous Workflows 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

Beyond Single Tools

Real integrations rarely need just one function. A database integration needs list-tables, run-query, and describe-schema together.

A toolkit groups related tools so an agent gets a coherent capability in one bundle.

The Single-String Limitation

A basic tool takes one string input. But many actions need multiple typed arguments — a date range, a user id, a limit.

Structured tools let the agent pass several validated parameters instead of cramming them into one string.

Defining an Input Schema

Use a Pydantic model to describe the arguments. The field descriptions guide the LLM on how to fill them.

from pydantic import BaseModel, Field

class SearchArgs(BaseModel):
    query: str = Field(description='Search keywords')
    limit: int = Field(description='Max results', default=5)

Attaching the Schema to a Tool

Pass args_schema so the agent knows the exact shape it must produce.

from langchain.tools import StructuredTool

def search(query: str, limit: int = 5):
    return run_search(query, limit)

tool = StructuredTool.from_function(
    func=search,
    name='search',
    description='Search the catalog',
    args_schema=SearchArgs
)

The @tool Decorator Shortcut

The @tool decorator infers a schema from your type hints and docstring, the quickest way to make a structured tool.

from langchain.tools import tool

@tool
def get_weather(city: str, units: str = 'metric') -> str:
    'Get current weather for a city.'
    return fetch_weather(city, units)

Why Descriptions Matter

The LLM chooses tools and fills arguments from your name and descriptions. Vague text causes wrong tool choice or bad parameters.

Say what the tool does and when to use it
Describe each field clearly
Mention units and formats

Building a Toolkit

A toolkit subclass exposes a get_tools() method returning the grouped tools. Shared config (like a client) lives on the toolkit.

from langchain.tools import BaseToolkit

class CrmToolkit(BaseToolkit):
    client: object
    def get_tools(self):
        return [list_contacts, create_contact, add_note]

Giving Tools to an Agent

Expand a toolkit into the agent's tool list. The agent now has the whole capability set at once.

toolkit = CrmToolkit(client=crm)
agent = create_agent(llm, toolkit.get_tools())

Validation Protects You

Because the schema is enforced, malformed agent output is rejected before your function runs. This stops invalid types or missing required fields from reaching your integration.

Handling Tool Errors

Tools can fail (network, bad input). Catch exceptions and return a helpful message so the agent can recover or ask the user, instead of crashing the run.

@tool
def fetch_order(order_id: str) -> str:
    'Look up an order by id.'
    try:
        return api.get(order_id)
    except NotFound:
        return 'No order found with that id.'

Reusability

Toolkits make integrations portable: build a GitHubToolkit once and drop it into any agent. Combine multiple toolkits to give an agent broad, well-defined powers.

Quick Check

Test your tools knowledge.

Recap

You learned to build robust integrations:

Structured tools accept multiple typed arguments via an args_schema
The @tool decorator infers schemas from hints
Clear descriptions drive correct tool use
Toolkits bundle related tools for reuse
Validation and error handling keep agents stable

Well-structured tools are the backbone of dependable agent integrations.

자주 묻는 질문

“도구 모음 및 구조화된 도구 입력” 강의는 무료인가요?

네 — “도구 모음 및 구조화된 도구 입력” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 AI Agents with LangChain & Autonomous Workflows 강의 전체를 잠금 해제할 수 있습니다. AI Agents with LangChain & Autonomous Workflows 강의에는 총 4개의 강의가 포함되어 있습니다.

“도구 모음 및 구조화된 도구 입력”에서 뭘 배우나요?

관련 도구를 재사용 가능한 도구 모음으로 묶고 스키마를 사용하여 구조화된 형식의 인수를 정의함으로써, 에이전트가 올바른 매개변수로 도구를 안정적으로 호출하도록 합니다. 브라우저에서 직접 실행하는 실습 코드로 AI Agents with LangChain & Autonomous Workflows을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

AI Agents with LangChain & Autonomous Workflows을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 AI Agents with LangChain & Autonomous Workflows은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 4번째 강의입니다.

“도구 모음 및 구조화된 도구 입력” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 AI Agents with LangChain & Autonomous Workflows 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 AI Agents with LangChain & Autonomous Workflows 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← AI Agents with LangChain & Autonomous Workflows(으)로 돌아가기