5.1 tool_choice参数说明
bind_tools 可以传递参数tool_choice ，用于控制是否强制使用工具。
该字段最终会作为payload 的tool_choice 字段传递给模型，OpenAI和Deepseek的官方API服务对于tool_choice 的取值做了相同的规定。
OpenAI官方文档

Deepseek官方文档

此外， tool_choice 还支持传递any ，等价于required 。

5.2 none值举例

模型初始化：

举例：

用户要求查询天气，并提供了天气查询工具，但模型不会调用。

5.3 auto值举例

tool_choice 的默认值就是auto 。
举例1：需要调用工具的场景

举例2：不需要调用工具的场景

from langchain.tools import tool
from langchain.messages import HumanMessage

5.4 required值举例

举例1：需要调用工具的场景

举例2：不需要调用工具的场景

即便此时不需要，模型依然会调用工具

5.5 强制调用特定的工具

某些场景下我们希望调用特定的工具，仍然可以用tool_choice 解决。

from langchain.tools import tool
from langchain.messages import HumanMessage

反过来指定get_weather1

6、实践经验总结

1. 清晰的描述

2. 功能单一

如何处理工具失败？
三层防护：
第1层：工具内部处理

第2层：Agent 级重试（使用 prompt）

第3层：调用级重试
在大模型应用（如 LangChain）中，网络请求和外部工具调用是最容易掉链子的地方。@retry 就像是一个容错保险。

它的工作流程：
① 你调用 call_agent(“你好”) 。
② 程序进入函数，执行 agent.invoke(…) 。
③ 如果执行成功：正常返回结果， @retry 什么都不做。
④ 如果执行失败（报错）： @retry 会拦截这个错误，不让程序直接崩溃。它会默默地帮你再次触发agent.invoke(…) 。
⑤ 如果连续 3 次都报错：它终于放弃了，把第 3 次的报错真正抛出来，程序此时才会报错中止。

4. 返回字符串

在编写传统的 Python 代码时，返回字典（ dict ）显然更方便后续代码处理。但在 LangChain 的工具
（Tools）生态中，强烈建议工具返回字符串（str）。因为：
1）大模型（LLM）的本质只吃“文本”
2）避免大模型“胡思乱想”（乱码与格式问题）
如果你返回一个包含中文的字典 {“name”: “张三”} ，LangChain 在强制将其转换为字符串时，默认可能会采用 Unicode 编码，变成 {“name”: “\u5f20\u4e09”} 。
大模型虽然能理解 Unicode，但极易受到干扰。直接看到中文张三的大模型，和看到\u5f20\u4e09 的大模型，其输出的稳定性和准确率是有差距的。通过手动 json.dumps(…,ensure_ascii=False) ，你确保了喂给大模型的是最干净、最直观的纯文本。