使用 LangGraph 构建 AI Agent：添加工具

本文将带你掌握：工具创建（预制/自定义/服务器端）、工具节点、带工具调用的条件边、结构化输出，以及监控Token消耗的回调函数。代码可直接运行，让我们开始吧！

一、什么是LLM的工具？

简单说，工具就是你想让基础模型执行的任何函数。

关键区别在于：LLM无法看到函数代码来推断其功能——它需要一份清晰的描述，说明函数的作用、输入参数和返回结果。

你可以把普通模型想象成装在罐子里的大脑：它懂语言、会推理、甚至有记忆（来自训练数据），但无法接触外部世界。而工具就是赋予这个大脑的“身体”。有了工具，模型就能搜索网络、整理文件、分析数据库、执行代码——做任何你的函数允许的事。

那么从哪里获取工具呢？

1. 自定义工具：像写普通函数一样创建
2. 预制工具：使用LangChain集成工具[1]，涵盖各种常用场景
3. 服务器端工具：某些聊天模型内置在服务器端执行的工具，特别是网页搜索和代码解释器

二、创建你的第一个工具

编写工具非常简单。假设你需要一个获取天气数据的工具（这里我们简化实现，直接返回固定答案）：

def get_weather(city: str) -> str:    return f"It's rainy in {city}."

要让LLM将其识别为工具，需要用@tool装饰器包装，并提供清晰的文档字符串，这部分描述将成为工具提示的一部分：

from langchain.tools import toolfrom dotenv import load_dotenvload_dotenv()  # 加载环境变量（如OPENAI_API_KEY）@tool(parse_docstring=True)def get_weather(city: str) -> str:    """返回指定城市的天气状况。    Args:        city (str): 要查询的城市    Returns:        str: 天气描述    """    return f"It's rainy in {city}."

快速体验：使用ReAct代理

为了演示代理如何使用工具，我们先使用LangChain内置的ReAct代理[2]（最流行的预定义智能工作流）。在这种工作流中，代理规划、反思并使用可用工具执行操作。

ReAct代理工作流程

我们像之前一样调用代理，并添加InMemorySaver作为记忆存储（这是一种checkpoint[3]实现）：

from langchain.agents import create_agentfrom langchain_core.messages import HumanMessagefrom langgraph.checkpoint.memory import InMemorySaver# 创建检查点（记忆）存储checkpointer = InMemorySaver()config = {"configurable": {"thread_id": "1"}}  # 区分不同对话线程# 创建带有天气工具的代理agent = create_agent(    model="openai:gpt-4o",     tools=[get_weather],     checkpointer=checkpointer)# 对话循环whileTrue:    query = input("query: ")        new_state = agent.invoke(        {"messages": [HumanMessage(query)]},        config,    )    answer = new_state["messages"][-1].content  # 获取最后一条消息内容    print("answer:", answer)# 输出示例：# query: hello# answer: Hello! How can I assist you today?# query: what's the weather like in Cracow?# answer: The weather in Cracow is currently rainy. Is there anything else you'd like to know?

注意：在LangChain旧版本中，此函数名为create_react_agent，你可能在其他资料中看到这个名称。

三、为LangGraph代理添加网络搜索

现在回到上篇文章的代理工作流，我们为它添加真正的网络搜索能力！

与其自己编写搜索工具，不如直接导入DuckDuckGoSearchResults。为了让LLM“知道”这个工具，我们将其绑定到模型上：

from langchain_community.tools import DuckDuckGoSearchResults# 创建两个模型实例：一个普通版，一个带工具版model = init_chat_model("openai:gpt-4o")model_with_search = model.bind_tools([DuckDuckGoSearchResults()])  # 关键：绑定工具！

更新ask_llm函数，使用带工具的模型：

def ask_llm(state: State) -> State:    user_query = input("query: ")    user_message = HumanMessage(user_query)        # 使用带搜索工具的模型    answer_message: AIMessage = model_with_search.invoke(        state["messages"] + [user_message]    )        return {"messages": [user_message, answer_message]}

关键组件：ToolNode

现在模型响应可能包含工具调用，但我们需要执行这些调用。使用预定义的ToolNode：

from langgraph.prebuilt import ToolNode# 添加工具执行节点graph.add_node("web_search", ToolNode(tools=[DuckDuckGoSearchResults()]))

条件边：智能判断是否需要搜索

但并非每次都需要调用工具——有些问题不需要网络搜索就能回答。我们需要检查是否有工具调用：有则执行并总结结果，无则直接提供答案。

使用tools_condition函数，它根据模型响应返回"tools"（需要执行工具）或END（不需要）：

def show_answer(state: State) -> State:    print("answer: ", state["messages"][-1].content)    return {"iteration": state["iteration"] + 1}def sum_up_search(state: State) -> State:    # 使用普通模型（无工具）总结搜索结果    answer_message: AIMessage = model.invoke(state["messages"])    return {"messages": [answer_message]}# 构建完整工作流graph.add_edge(START, "ask_llm")graph.add_conditional_edges(    "ask_llm",    tools_condition,  # 判断是否需要工具    {        "tools": "web_search",  # 需要工具 → 执行搜索        END: "show_answer",     # 不需要 → 直接显示答案    },)graph.add_edge("web_search", "sum_up_search")graph.add_edge("sum_up_search", "show_answer")graph.add_conditional_edges(     "show_answer",     lambda state: state["iteration"] < ITERATION_LIMIT,     {         True: "ask_llm",         False: END,     }, )

完整的工作流程如下：

1. 用户提问 → LLM接收并判断是否需要工具
2. 需要工具 → 执行工具 → LLM总结结果 → 显示答案
3. 不需要工具 → 直接显示答案
4. 检查迭代限制 → 继续循环或结束

完整代码示例：

from langgraph.graph import StateGraph, START, ENDfrom langchain.chat_models import init_chat_modelfrom langchain_core.messages import HumanMessage, AIMessagefrom langgraph.prebuilt import ToolNode, tools_conditionfrom langchain_community.tools import DuckDuckGoSearchResultsfrom langchain.agents import AgentStatefrom dotenv import load_dotenvclass State(AgentState):    iteration: intITERATION_LIMIT = 5load_dotenv()# 初始化模型model = init_chat_model("openai:gpt-4o")model_with_search = model.bind_tools([DuckDuckGoSearchResults()])# 定义各节点函数（同上文ask_llm、show_answer、sum_up_search）# 构建图graph = StateGraph(State)graph.add_node("ask_llm", ask_llm)graph.add_node("web_search", ToolNode(tools=[DuckDuckGoSearchResults()]))graph.add_node("show_answer", show_answer)graph.add_node("sum_up_search", sum_up_search)# 连接节点（同上文条件边设置）# ...（连接代码见上文）workflow = graph.compile()# 可视化图结构（可选）with open("graph_search.png", "wb") as f:    f.write(workflow.get_graph().draw_mermaid_png())# 运行代理workflow.invoke({"iteration": 0}, {"recursion_limit": 100})
```![](http://cdn.zhipoai.cn/93c2db74.jpg)

带网络搜索的代理工作流

**运行示例**：

```plaintext
query: hianswer: Hello! How can I assist you today?query: what are popular events in Cracowanswer: Here are some events in Kraków you might be interested in:1. **Unsound Festival**: This is an annual festival that showcases electronic and experimental music...2. **European Games 2023**: Kraków and the Malopolska region recently hosted the European Games...

四、智能关闭：让代理听懂“再见”

目前聊天机器人运行固定的迭代次数，用户体验不佳。理想情况是：当用户表示结束对话时（如说“再见”、“今天就到这里”），代理能智能关闭。

如果你的直觉告诉你要用条件边，完全正确！但需要一点技巧。

首先，如何判断用户想结束对话？你可以列出结束语列表，但这太原始且麻烦。更好的方法是让LLM来评估——判断用户是否想结束对话对模型来说是简单任务。

然而，条件边需要明确的返回值集合。用LLM判断时，我们得到的是完整消息，每次都不一样。所以必须使用结构化输出来强制模型返回指定格式。

结构化输出：让LLM“填空”

要强制LLM使用特定格式，首先需要定义它。我们使用pydantic创建类，指定属性、类型和描述：

from pydantic import BaseModel, Fieldfrom typing import Literalclass Decision(BaseModel):    decision: Literal["yes", "no"] = Field(        description="用户是否指定结束对话（是/否）"    )

定义格式后，用with_structured_output方法强制LLM使用，类似bind_tools：

# 创建带结构化输出的模型model_decision = model.with_structured_output(Decision)def end_condition(state: State) -> Literal["yes", "no"]:    # 注意：不需要整个消息历史来做决定，可以只使用最近的消息（优化点）    decision: Decision = model_decision.invoke(        state["messages"] + [SystemMessage("用户是否想结束对话？")]    )    return decision.decision

整合智能关闭到工作流

在检查迭代次数后添加智能关闭条件。需要一个虚拟节点来连接两个条件边：

def should_end(_: State) -> State:    return {}  # 虚拟节点，不改变状态# 添加到图中graph.add_node("should_end", should_end)# 在show_answer后添加迭代检查graph.add_conditional_edges(    "show_answer",    lambda state: state["iteration"] < ITERATION_LIMIT,    {        True: "should_end",  # 未达迭代限制 → 检查是否结束        False: END,          # 达到限制 → 直接结束    },)# 添加智能结束判断graph.add_conditional_edges(    "should_end",    end_condition,  # 调用上面定义的判断函数    {        "yes": END,   # 用户想结束 → 结束        "no": "ask_llm",  # 用户不想结束 → 继续提问    },)

完整智能关闭代码结构：

# ...（前面导入和定义同上）class State(AgentState):    iteration: intclass Decision(BaseModel):    decision: Literal["yes", "no"] = Field(        description="whether the user specified to end the conversation (yes) or not (no)"    )# 初始化三个模型版本model = init_chat_model("openai:gpt-4o")model_with_search = model.bind_tools([DuckDuckGoSearchResults()])model_decision = model.with_structured_output(Decision)# 定义各节点函数（ask_llm, show_answer, sum_up_search, end_condition, should_end）# 构建完整图结构graph = StateGraph(State)# ...（添加所有节点）# ...（连接所有边，包括智能关闭条件边）workflow = graph.compile()workflow.invoke({"iteration": 0}, {"recursion_limit": 100})
```![](http://cdn.zhipoai.cn/04cf3378.jpg)

带智能关闭的代理工作流

**运行效果**：

```plaintext
query: hianswer: Hello! How can I assist you today?query: that's it for todayanswer: Alright, if you have any more questions in the future, feel free to ask. Have a great day!# 对话智能结束

五、监控与回调：了解你的Token消耗

你已经见过回调的一种用法：在ReAct代理中记忆状态。另一个重要用途是监控Token使用量。

通常，你可以直接从AIMessage检查Token使用情况：

answer: AIMessage = model.invoke({"messages": [HumanMessage("hi")]})print(answer.usage_metadata)# 输出类似：{'input_tokens': 15, 'output_tokens': 8, 'total_tokens': 23}

如果使用结构化输出，消息没有usage_metadata字段，但仍可以通过回调检查：

from langchain_core.callbacks import UsageMetadataCallbackHandlercallback = UsageMetadataCallbackHandler()answer: Decision = model_decision.invoke(    state["messages"] + [SystemMessage("用户是否想结束对话？")],    config={"callbacks": [callback]}  # 传入回调)print(callback.usage_metadata)

练习建议：监控每次模型调用的输入/输出Token总数（无论是否使用结构化输出），并在每次响应后打印计数。

写在最后

通过本文，你已经掌握了为LangGraph代理添加工具的核心技能：

1. 创建三类工具：自定义工具、预制工具、服务器端工具
2. 实现条件工作流：智能判断何时使用工具
3. 结构化输出：强制LLM返回可预测格式
4. 智能对话管理：让代理理解结束意图
5. 资源监控：跟踪Token消耗

这些技能让你的AI代理从“空谈理论”变为“能办实事”——它现在可以搜索网络、查询数据、智能判断对话状态，真正成为有用的助手。

小挑战：尝试修改end_condition函数，只使用最近的几条消息（而非整个历史）来判断是否结束对话。这能减少Token消耗并提高响应速度。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】