Tool Use в LangChain: как агент вызывает инструменты в цикле и принимает решения

При обычном промпте модель отвечает только на основе обучающих данных. При Tool Use модель может вызвать внешнюю функцию, получить свежие данные и использовать их в ответе. LangChain реализует это через декоратор @tool: функция становится доступным инструментом агента. Агент сам решает, когда и какой инструмент вызвать, основываясь на описании функции. Риск: если инструментов много и их описания похожи, агент выбирает неверный — нужна чёткая дифференциация в docstring.

Цикл состоит из трёх шагов: Thought (модель анализирует задачу и решает, нужен ли инструмент), Action (вызов инструмента с аргументами), Observation (результат инструмента возвращается в контекст). Шаги повторяются до получения финального ответа. В LangChain это реализуется через AgentExecutor или граф LangGraph. Каждая итерация — отдельный LLM-вызов, что увеличивает задержку и стоимость при многошаговых задачах. Нюанс: max_iterations ограничивает число циклов, чтобы агент не зациклился.

Описание инструмента — это docstring функции, который читает LLM при выборе. Он должен точно отвечать на вопрос «когда использовать этот инструмент». Плохое описание: «поиск информации». Хорошее: «поиск актуальных новостей о компании по тикеру за последние 7 дней». Чем конкретнее указаны входные данные и сценарий применения, тем точнее выбор агента. Нюанс: слишком длинный docstring увеличивает системный промпт и стоимость каждого вызова.

Да, при использовании моделей с нативным parallel tool calling (GPT-4o, Claude 3.5). Агент генерирует несколько вызовов инструментов одновременно, что сокращает общее время ответа при независимых запросах. LangChain поддерживает это автоматически при использовании bind_tools с совместимой моделью. Нюанс: параллельные вызовы работают только для независимых инструментов — если результат одного нужен для вызова другого, они выполняются последовательно.

Агент с набором финансовых инструментов может: запросить текущие котировки через API, прочитать PDF-отчётность через загрузчик, рассчитать мультипликаторы через калькулятор и найти новости через поиск — всё в одном цикле рассуждения. Это заменяет ручной сбор данных из разных источников. Риск: агент не верифицирует качество источника — если API вернул устаревшие данные, агент не заметит и включит их в анализ. Проверка результата остаётся за аналитиком.

Поиск (Tavily, SerpAPI, DuckDuckGo), SQL-запросы к базе данных, загрузчики документов (PDF, CSV, веб-страницы), калькулятор и Python REPL для вычислений, вызовы внешних REST API. Для финансовых агентов добавляют инструменты получения котировок и финансовой отчётности. Нюанс: чем больше инструментов, тем сложнее агенту выбрать нужный — оптимально держать не более 7–10 инструментов в одном агенте.

Да, если модель поддерживает function calling. Llama 3.1, Mistral и Qwen2.5 через Ollama работают с @tool в LangChain. Качество выбора инструментов у локальных моделей обычно ниже, чем у GPT-4o или Claude — тестируйте на своих задачах перед выбором.