Инструменты и первый агент

Инструменты позволяют языковой модели взаимодействовать с внешним миром. Без них модель может только генерировать текст.

#Создание инструментов

Самый простой способ создать инструмент — декоратор @tool из langchain.tools. Декоратор автоматически извлекает имя функции как имя инструмента, использует docstring как описание и определяет параметры из аннотаций типов.

from langchain.tools import tool

@tool
def get_weather(city: str) -> str:
    """Получить прогноз погоды для указанного города."""
    return f"В городе {city} сегодня солнечно, +25°C"

Любая Python-функция может быть инструментом — достаточно передать её в create_agent:

def search_database(query: str, limit: int = 10) -> str:
    """Поиск в базе данных по запросу."""
    return f"Найдено {limit} результатов для: {query}"

agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=[search_database],
)

#Правила создания инструментов

Инструмент — это интерфейс для модели. Имя, описание и имена параметров становятся частью промпта. Плохая документация приводит к некорректным вызовам. Всегда указывайте типы параметров — модель использует их для генерации правильных аргументов.

Инструменты могут получать контекст выполнения через параметр ToolRuntime, что позволяет обращаться к данным сессии изнутри инструмента.

Для возврата структурированных данных используйте Pydantic-модели — модель сможет заполнить все поля по схеме.

#Первый агент с `create_agent`

Агент создаётся через фабрику create_agent с тремя основными параметрами: модель, инструменты и системный промпт. Модель указывается строкой в формате "провайдер:модель".

from langchain.agents import create_agent
from langchain.tools import tool

@tool
def calculate(expression: str) -> str:
    """Вычислить математическое выражение."""
    return str(eval(expression))

@tool
def get_current_time() -> str:
    """Получить текущее время."""
    from datetime import datetime
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")

agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=[calculate, get_current_time],
    system_prompt="Ты помощник. Используй инструменты для выполнения задач.",
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "Сколько будет 15 * 37?"}]}
)
print(result["messages"][-1].content_blocks)

Агент анализирует запрос, понимает, какой инструмент нужен, вызывает его с правильными аргументами и формирует ответ на основе результата.

#Структурированный вывод

Через параметр response_format можно указать Pydantic-схему для ответа агента. В этом случае result["structured_response"] будет содержать валидированный объект.

#Именование и контекст

При встраивании агента в мультиагентную систему полезно задать имя через параметр name. Для передачи данных сессии (идентификатор пользователя, роль, ключи API) используется context с определённой схемой context_schema.

#Память агента

Для сохранения контекста между вызовами используется чекпоинтер. При повторном использовании того же thread_id агент загружает историю диалога:

from langgraph.checkpoint.memory import InMemorySaver
from langchain_core.utils.uuid import uuid7

agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=[get_weather],
    checkpointer=InMemorySaver(),
)

config = {"configurable": {"thread_id": str(uuid7())}}
# Первый и второй вызов с одним config — агент помнит контекст