diff --git a/.env b/.env
index 7617490..ff95a3e 100644
--- a/.env
+++ b/.env
@@ -3,9 +3,11 @@
 SILICONFLOW_API_KEY = "sk-sylilrjrtxlvecwhfusjkutclmppzuzhncfcfxtekxrzyjee"
 SILICONFLOW_BASE_URL = "https://api.siliconflow.cn/v1"
 
+# gemma4:e2b
 OLLAMA_API_KEY = "ollama"
 OLLAMA_BASE_URL = "http://localhost:11434/v1"
 
+# MiniMax-M2.7
 MINIMAX_API_KEY = "sk-cp-wWkzvRP-BiQia-6izxvqgehEsHSz8v4_PtDJAuT3OI0s8QFcEOsxIHcQoZC2cVQTK3L09EUuu5HDArYMvKXFnf91jk8LuZ0tteS7-Wd4Lk2zDm8RqrKkrd4"
 MINIMAX_BASE_URL = "https://api.minimaxi.com/v1"
 
diff --git a/README.md b/README.md
index 868bfd6..0f354cc 100644
--- a/README.md
+++ b/README.md
@@ -1,6 +1,6 @@
 # LangChain Learning
 
-[![](https://img.shields.io/badge/version-0.0.7-blue.svg)](https://github.com/your-repo/langchain-learning)
+[![](https://img.shields.io/badge/version-0.0.10-blue.svg)](https://github.com/your-repo/langchain-learning)
 [![](https://img.shields.io/badge/python-3.11+-green.svg)](https://www.python.org/)
 [![](https://img.shields.io/badge/LangChain-v1.2-orange.svg)](https://www.langchain.com/)
 
@@ -13,6 +13,7 @@
 - **流式响应**：实时流式输出，带来更好的使用体验
 - **Prompt 工程**：多种 Prompt 模板构建方式
 - **输出解析**：支持 JSON 等格式解析
+- **工具调用 (Tool Calling)**：支持 @tool 装饰器和 StructuredTool 定义工具
 - **Token 用量追踪**：轻松监控 API 调用消耗
 - **内存管理**：实现对话历史持久化（ConversationBufferMemory, SummaryMemory）
 - **Rich 终端界面**：支持 Markdown 渲染、多行输入等高级交互
@@ -24,7 +25,7 @@
 ### 1. 安装依赖
 
 ```bash
-pip install langchain>=1.2.15 langchain-community>=0.4.1 langchain-siliconflow>=1.0.0 requests>=2.33.1 rich openai
+pip install langchain>=1.2.15 langchain-community>=0.4.1 langchain-siliconflow>=1.0.0 requests>=2.33.1 rich openai pydantic
 ```
 
 ### 2. 配置环境变量
@@ -72,6 +73,13 @@ OLLAMA_API_KEY=ollama
 |------|------|------|
 | 基础 RAG | `python rag/rag_demo.py` | 基于 FAISS 向量库的检索问答系统 |
 
+**工具调用示例**
+
+| 示例 | 命令 | 说明 |
+|------|------|------|
+| 工具定义 | `python tools/tool_definition.py` | 演示 @tool 装饰器和 StructuredTool 定义方式 |
+| 工具调用 | `python tools/tool_demo.py` | 演示模型如何调用工具并获取结果 |
+
 **Token 用量示例**
 
 | 示例 | 命令 | 说明 |
@@ -113,6 +121,9 @@ langchain-learning/
 │   └── json_parser_demo.py            # JSON 输出解析示例
 ├── rag/
 │   └── rag_demo.py                    # RAG 检索增强生成示例
+├── tools/
+│   ├── tool_definition.py             # 工具定义方式演示
+│   └── tool_demo.py                   # 工具调用完整流程演示
 ├── token/
 │   └── token_demo.py                  # Token 用量追踪示例
 ├── memory/
@@ -138,6 +149,7 @@ langchain-learning/
 
 **Ollama (本地)**
 - `gemma4:26b`
+- `gemma4:e2b`
 - `deepseek-v3.1:671b-cloud`
 
 ## 技术栈
@@ -148,6 +160,7 @@ langchain-learning/
 | LLM 提供商 | SiliconFlow, Ollama |
 | 向量库 | FAISS |
 | 终端美化 | Rich |
+| 数据验证 | Pydantic |
 | 语言 | Python 3.11+ |
 
 ## 许可证
diff --git a/tools/tool_definition.py b/tools/tool_definition.py
new file mode 100644
index 0000000..5a5c13b
--- /dev/null
+++ b/tools/tool_definition.py
@@ -0,0 +1,56 @@
+import sys
+
+from langchain_core.tools import tool, StructuredTool
+from pydantic import BaseModel, Field
+from sqlalchemy import True_
+
+
+# 定义函数/tool
+
+## 方式1：使用注解
+@tool
+def get_weather1(city: str) -> str:
+    """查询指定城市的最新天气信息"""
+    # 通过api调用天气网站的接口，得到最新的天气信息
+    return f"{city}当前的温度为18°C"
+
+
+class FieldInfo(BaseModel):
+    city: str = Field(description="要查询的城市名称")
+
+## 注解中可以通过传参覆盖原有函数的描述等信息
+@tool(
+    name_or_callable="get_weather1",
+    args_schema=FieldInfo,
+    description="查询某个城市的天气，并返回温度信息",
+    return_direct=True
+)
+def get_weather2(city: str) -> str:
+    """查询指定城市的最新天气信息"""
+    # 通过api调用天气网站的接口，得到最新的天气信息
+    return f"{city}当前的温度为18°C"
+
+
+## 方式2：
+def get_weather3(city: str) -> str:
+    """查询指定城市的最新天气信息"""
+    # 通过api调用天气网站的接口，得到最新的天气信息
+    return f"{city}当前的温度为18°C"
+
+get_weather3_tool = StructuredTool.from_function(
+    func=get_weather3,
+    name="get_weather3",
+    args_schema=FieldInfo,
+    description="第三个返回天气的函数"
+)
+
+
+if __name__ == '__main__':
+    # 调用函数，并打印返回结果
+    print(get_weather1("北京"))
+    print(get_weather1("巴黎"))
+
+    print(f"name={get_weather3_tool.name}")
+    print(f"args={get_weather3_tool.args}")
+    print(f"description={get_weather3_tool.description}")
+    print(f"return_direct={get_weather3_tool.return_direct}")  # 直接返回：如果为false，就是会将返回值给到大模型，让大模型进一步加工后再返回。如果是true，则直接返回给用户。
diff --git a/tools/tool_demo.py b/tools/tool_demo.py
new file mode 100644
index 0000000..10fc919
--- /dev/null
+++ b/tools/tool_demo.py
@@ -0,0 +1,98 @@
+import sys
+
+from langchain_core.messages import HumanMessage, ToolMessage
+from langchain_core.tools import tool, StructuredTool
+from pydantic import BaseModel, Field
+
+import logging
+
+from langchain_openai import ChatOpenAI
+import os
+import dotenv
+
+
+# 定义函数/tool
+
+## 方式1：使用注解
+class FieldInfo(BaseModel):
+    city: str = Field(description="要查询的城市名称")
+
+
+## 注解中可以通过传参覆盖原有函数的描述等信息
+@tool(
+    name_or_callable="get_weather",
+    args_schema=FieldInfo,
+    description="查询某个城市的天气，并返回温度信息",
+    return_direct=True
+)
+def get_weather(city: str) -> str:
+    """查询指定城市的最新天气信息"""
+    # 通过api调用天气网站的接口，得到最新的天气信息
+    return f"{city}当前的温度为18°C"
+
+@tool
+def test(city: str) -> str:
+    """这个是一个测试函数"""
+    # 通过api调用天气网站的接口，得到最新的天气信息
+    return f"{city}当前的温度为18°C"
+######################################################################
+
+logging.basicConfig(
+    level=logging.DEBUG,
+    format="%(asctime)s - %(name)s - %(levelname)s - %(message)s"
+)
+
+dotenv.load_dotenv()
+
+## 设置环境变量
+# os.environ['OPENAI_API_KEY'] = os.getenv("SILICONFLOW_API_KEY")
+# os.environ['OPENAI_BASE_URL'] = os.getenv("SILICONFLOW_BASE_URL")
+os.environ['OPENAI_API_KEY'] = os.getenv("OLLAMA_API_KEY")
+os.environ['OPENAI_BASE_URL'] = os.getenv("OLLAMA_BASE_URL")
+# os.environ['OPENAI_API_KEY'] = os.getenv("MINIMAX_API_KEY")
+# os.environ['OPENAI_BASE_URL'] = os.getenv("MINIMAX_BASE_URL")
+
+# 如果要使用函数调用，需要选择支持的模型
+# 如果不支持，会报错：Error code: 400 - {'code': 20037, 'message': 'Function call is not supported for this model.', 'data': None}
+# llm = ChatOpenAI(model="Qwen/Qwen2.5-7B-Instruct")
+llm = ChatOpenAI(model="gemma4:e2b")
+# llm = ChatOpenAI(model="MiniMax-M2.7")
+
+
+## 将模型与工具进行绑定
+llm_with_tools = llm.bind_tools([get_weather,test],tool_choice="auto")
+
+messages = [HumanMessage(content="巴黎现在的气温是多少")]
+
+## 使用哪个工具，由大模型自己选择
+response = llm_with_tools.invoke(messages)
+print(response)
+
+## 模型会返回：需要调用get_weather，并且识别出来传参为 Paris，但是不会进行真正的调用
+
+# 如果需要调用工具，则执行并把结果回传
+for call in getattr(response, "tool_calls", []) or []:
+    # print(call)
+    # {'name': 'get_weather', 'args': {'city': 'Paris'}, 'id': '019a305388b40ad0d961da5696e9fd2f', 'type': 'tool_call'}
+    if call["name"] == "get_weather":
+        args = call["args"]  # 例如 {"city": "Paris"}
+        result = get_weather.invoke(args)
+        messages.append(response)  # 把模型消息加入对话
+        messages.append(
+            ToolMessage(
+                content=result,
+                tool_call_id=call["id"],  # 必须把这次tool调用的id对上
+            )
+        )
+        # 5) 第二轮：把工具结果交回给模型，让它产出最终回答
+        final_msg = llm.invoke(messages)
+        print("FINAL:", final_msg.content)
+        break
+else:
+    # 模型未请求调用工具，直接给出回答
+    print("FINAL(no-tool):", response.content)
+
+
+
+
+