LangChain开发框架（五）-- LangChain agent调用，大模型入门到精通，收藏这篇就足够了！

原创于 2025-11-10 15:24:32 发布 · 266 阅读

CC 4.0 BY-SA版权

文章标签：

#langchain #自然语言处理 #人工智能 #github #AI大模型 #LLM #程序员

部署运行你感兴趣的模型镜像

之前介绍了LangChain调用外部工具的基本流程，但是在我们真实使用中，如果按照chains的方法做编排时，会发现整个流程是人为创建好的，不够灵活；如果我问的问题不需要使用工具，或者使用多次等情况，自定义的chain就不能解决，或者说，如果要解决就会变得很复杂，所以今天我们来探讨一种更加方便的调用方式。

一、Function calling基本原理

Function calling 作为现代大模型应用中的核心机制之一，是大模型能够与外部世界交互的关键。没有这个功能，大模型的能力将仅限于自然语言处理，无法与外部数据或工具进行交互，甚至无法完成如查询天气这类基本任务。事实上，大模型本身并不具备直接调用外部工具的能力，因此 Function calling 机制应运而生，它通过设计外部函数作为桥梁，允许大模型间接地与外部工具进行通信。

1.1 Function calling 过程

Function calling 的基本流程涉及到创建一个外部函数（function），该函数作为大模型与外部工具之间的中介。大模型发送请求，函数接收并转发请求至外部工具，最后将外部工具的响应返回给大模型。

例子：查询天气

在查询天气的场景中，大模型会调用一个外部工具函数（如天气 API），通过 function calling 机制将天气查询请求发送给该工具，工具再返回天气数据，模型将这些数据用来生成最终的响应。

在这里插入图片描述

1.2 Function calling 执行流程

完整的 Function calling 执行流程如下图所示。该流程展示了从用户输入查询、模型调用外部函数、到返回结果的整个过程。首先，用户输入查询，模型识别到需要使用外部工具（如天气查询），然后通过 Function calling 机制向外部工具发送请求，最终返回所需的结果。

1.3 Function calling 的重要性

Function calling 是大模型能否成为智能体的决定性因素。通过它，模型不仅能完成对话任务，还可以利用外部资源，如天气查询、股市数据、API 调用等，从而提升自身能力和实用性。

而完整的一次Function calling执行流程如下：

在这里插入图片描述

1.4 快速构建工具调用代理

在 LangChain 中，构建与执行 Function calling 任务非常简便，以下是具体实现过程。

我们可以使用 LangChain 提供的 create_tool_calling_agent 方法快速构建工具调用代理。通过代理，模型可以轻松访问和调用外部工具。下面是如何使用 AgentExecutor 来执行代理的示例代码。

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
from langchain.agents import create_tool_calling_agent, tool
from langchain_core.prompts import ChatPromptTemplate
#定义工具
tools = [get_weather]
# 构建提示模版
prompt = ChatPromptTemplate.from_messages(
[
("system", "你是天气助手，请根据用户的问题，给出相应的天气信息"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
]
)
# 初始化模型
model = init_chat_model("deepseek-chat", model_provider="deepseek")
# 直接使用`create_tool_calling_agent`创建代理
agent = create_tool_calling_agent(model, tools, prompt)

1.5 使用代理执行工具调用

通过 AgentExecutor，我们可以轻松地执行工具调用代理，并获取工具的响应。

在 LangChain 中，AgentExecutor 是一个关键组件，负责执行代理（Agent）所规划的操作，并协调与外部工具的交互。它通过封装复杂的执行逻辑，使得开发者能够专注于业务逻辑的实现，而无需关注底层的执行流程管理细节。
AgentExecutor 的核心功能是管理代理的执行流程。它通过以下步骤实现这一目标：

接收输入：从用户或系统接收初始输入。
调用代理：将输入传递给代理，代理根据其内部逻辑生成行动计划。
执行操作：根据代理的指示，调用相应的工具执行操作。
观察结果：获取工具的输出，并将其反馈给代理。
决策下一步：代理根据新的信息决定是否继续执行操作，直到满足终止条件。

这种流程使得 AgentExecutor 能够实现复杂的任务处理，如多步骤操作、条件判断和循环执行等。

以下是调用代理的代码：

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
from langchain.agents import AgentExecutor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
response = agent_executor.invoke({"input": "请问今天北京的天气怎么样？"})
print(response)

在此过程中，AgentExecutor 会自动处理工具调用，并将返回的数据格式化为可读响应。以下是查询天气后的响应示例：

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
[1m> Entering new AgentExecutor chain...[0m
[32;1m[1;3m
Invoking: `get_weather` with `{'loc': 'Beijing'}`
responded: 我来帮您查询今天北京的天气情况。
[0m[36;1m[1;3m{"coord": {"lon": 116.3972, "lat": 39.9075}, "weather": [{"id": 800, "main": "Clear", "description": "\u6674", "icon": "01n"}], "base": "stations", "main": {"temp": 1.94, "feels_like": -2.32, "temp_min": 1.94, "temp_max": 1.94, "pressure": 1028, "humidity": 10, "sea_level": 1028, "grnd_level": 1023}, "visibility": 10000, "wind": {"speed": 4.7, "deg": 326, "gust": 11.38}, "clouds": {"all": 0}, "dt": 1761489105, "sys": {"type": 1, "id": 9609, "country": "CN", "sunrise": 1761431767, "sunset": 1761470426}, "timezone": 28800, "id": 1816670, "name": "Beijing", "cod": 200}[0m[32;1m[1;3m根据查询结果，今天北京的天气情况如下：
**天气状况**：晴朗 ☀️
**当前温度**：1.94°C
**体感温度**：-2.32°C（感觉比实际温度更冷）
**湿度**：10%（非常干燥）
**气压**：1028 hPa
**风速**：4.7 m/s，西北风
**能见度**：10000米（非常好）
**温馨提示**：
- 今天北京天气晴朗，但温度较低，体感温度在零下
- 建议穿着保暖衣物，注意防寒
- 由于湿度较低，请注意保湿和补水
- 风速较大，外出时注意防风保暖
总体来说，今天北京是个晴朗但寒冷的天气，适合外出但要做好保暖措施。[0m
[1m> Finished chain.[0m
{'input': '请问今天北京的天气怎么样？', 'output': '根据查询结果，今天北京的天气情况如下：\n\n**天气状况**：晴朗 ☀️\n**当前温度**：1.94°C\n**体感温度**：-2.32°C（感觉比实际温度更冷）\n**湿度**：10%（非常干燥）\n**气压**：1028 hPa\n**风速**：4.7 m/s，西北风\n**能见度**：10000米（非常好）\n\n**温馨提示**：\n- 今天北京天气晴朗，但温度较低，体感温度在零下\n- 建议穿着保暖衣物，注意防寒\n- 由于湿度较低，请注意保湿和补水\n- 风速较大，外出时注意防风保暖\n\n总体来说，今天北京是个晴朗但寒冷的天气，适合外出但要做好保暖措施。'}

在您提供的日志中，AgentExecutor 执行了一个查询北京天气的任务，并返回了结构化的天气信息。以下是对该执行过程的详细解析：

1.5.1 执行流程

开始执行：

ounter(line
> Entering new AgentExecutor chain...

这表示 AgentExecutor 开始执行新的任务链，准备处理用户输入。

调用工具：

ounter(line
Invoking: `get_weather` with `{'loc': 'Beijing'}`

AgentExecutor 调用名为 get_weather 的工具，并传递参数 {'loc': 'Beijing'}，即查询北京的天气。

工具响应：

ounter(line
responded: 我来帮您查询今天北京的天气情况。

工具返回了一个初步的响应，表示正在查询天气信息。

1.5.2 工具返回的天气数据（JSON 格式）

工具返回了一个包含详细天气信息的 JSON 对象：

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
{
"coord": {"lon": 116.3972, "lat": 39.9075},
"weather": [{"id": 800, "main": "Clear", "description": "晴", "icon": "01n"}],
"main": {
"temp": 1.94,
"feels_like": -2.32,
"temp_min": 1.94,
"temp_max": 1.94,
"pressure": 1028,
"humidity": 10,
"sea_level": 1028,
"grnd_level": 1023
},
"visibility": 10000,
"wind": {"speed": 4.7, "deg": 326, "gust": 11.38},
"clouds": {"all": 0},
"dt": 1761489105,
"sys": {
"type": 1,
"id": 9609,
"country": "CN",
"sunrise": 1761431767,
"sunset": 1761470426
},
"timezone": 28800,
"id": 1816670,
"name": "Beijing",
"cod": 200
}

该 JSON 数据包含了以下关键信息：

坐标信息：coord 字段提供了北京的经纬度。
天气状况：weather 字段描述了天气状况（晴）。
温度信息：main 字段提供了当前温度、体感温度、最低和最高温度等数据。
湿度和气压： 同样在 main 字段中，提供了湿度和气压信息。
风速和风向：wind 字段描述了风速、风向和阵风信息。
能见度：visibility 字段提供了能见度数据。
云量：clouds 字段描述了云量。
日出和日落时间：sys 字段提供了日出和日落的时间戳。

1.5.3 格式化的天气响应

基于上述 JSON 数据，系统生成了以下格式化的天气响应：

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
根据查询结果，今天北京的天气情况如下：
**天气状况**：晴朗 ☀️
**当前温度**：1.94°C
**体感温度**：-2.32°C（感觉比实际温度更冷）
**湿度**：10%（非常干燥）
**气压**：1028 hPa
**风速**：4.7 m/s，西北风
**能见度**：10000米（非常好）
**温馨提示**：
- 今天北京天气晴朗，但温度较低，体感温度在零下
- 建议穿着保暖衣物，注意防寒
- 由于湿度较低，请注意保湿和补水
- 风速较大，外出时注意防风保暖
总体来说，今天北京是个晴朗但寒冷的天气，适合外出但要做好保暖措施。

该响应将原始的天气数据转化为用户友好的格式，便于理解和使用。

1.5.4 完整的执行日志

ounter(lineounter(line
> Finished chain.
{'input': '请问今天北京的天气怎么样？', 'output': '根据查询结果，今天北京的天气情况如下：\n\n**天气状况**：晴朗 ☀️\n**当前温度**：1.94°C\n**体感温度**：-2.32°C（感觉比实际温度更冷）\n**湿度**：10%（非常干燥）\n**气压**：1028 hPa\n**风速**：4.7 m/s，西北风\n**能见度**：10000米（非常好）\n\n**温馨提示**：\n- 今天北京天气晴朗，但温度较低，体感温度在零下\n- 建议穿着保暖衣物，注意防寒\n- 由于湿度较低，请注意保湿和补水\n- 风速较大，外出时注意防风保暖\n\n总体来说，今天北京是个晴朗但寒冷的天气，适合外出但要做好保暖措施。'}

该日志记录了整个执行过程，包括输入、工具调用、工具响应和最终输出。

1.5.5 结论

通过 AgentExecutor 的执行，我们能够实现以下目标：

自动化工具调用： 系统自动调用外部工具获取所需信息。
数据处理与格式化： 将原始数据转化为结构化和用户友好的格式。
完整的执行跟踪： 记录整个执行过程，便于调试和优化。

这种方式使得构建复杂的智能体应用变得更加高效和可靠。

二、多agent编排

2.1 LangChain 中Agents模块的整体架构设计

在LangChain 中Agents模块的整体架构设计。如下所示：在Agents的内部结构。每个Agent组件一般会由语言模型 + 提示 + 输出解析器构成，它会作为Agents的大脑去处理用户的输入。Agent能够处理的输入主要来源于三个方面：input代表用户的原始输入，Model Response指的是模型对某一个子任务的响应输出，而History则能携带上下文的信息。其输出部分，则链接到实际的工具库，需要调用哪些工具，将由经过Agent模块后拆分的子任务来决定。而我们知道，大模型调用外部函数会分为两个过程：识别工具和实际执行。在Message -> Agent -> Toolkits 这个流程中，负责的是将子任务拆解，然后根据这些子任务在工具库中找到相应的工具，提取工具名称及所需参数，这个过程可以视作一种“静态”的执行流程。而将这些决策转化为实际行动的工作，则会交给AgentExecutor。所以综上需要理解的是：在LangChain的Agents实际架构中，Agent的角色是接收输入并决定采取的操作，但它本身并不直接执行这些操作。这一任务是由AgentExecutor来完成的。将Agent（决策大脑）与AgentExecutor（执行操作的Runtime）结合使用，才构成了完整的Agents（智能体），其中AgentExecutor负责调用代理并执行指定的工具，以此来实现整个智能体的功能。这也就是为什么create_tool_calling_agent需要通过AgentExecutor才能够实际运行的原因。当然，在这种模式下，AgentExecutor的内部已经自动处理好了关于我们工具调用的所有逻辑，其中包含串行和并行工具调用的两种常用模式。

2.2 Function Calling 中的三种响应模

DeepSeek Function Calling 中的三种响应模式，如下

Function calling 串联模式（Serial Mode）

在这种模式下，外部工具的调用是顺序进行的。模型会依次调用多个工具，每个工具的输入和输出会影响下一个工具的调用。具体流程如下：

步骤：大模型依次调用 tool_1、tool_2，最后返回最终结果。
适用场景：适用于需要一步步处理的任务，每个工具的输出作为下一个工具的输入。

Function calling 并联模式（Parallel Mode）

这种模式下，模型会并行调用多个工具。不同工具的调用是相互独立的，模型最终将收集所有工具的输出并进行合并。具体流程如下：

步骤：模型同时调用 tool_1 和 tool_3，然后整合所有结果，返回最终的响应。
适用场景：适用于需要同时从多个工具获取信息并整合的任务，例如并行查询不同数据源

Function calling 自动 Debug 模式（Auto Debug Mode）

在这种模式下，模型不仅调用工具，还能自动检测并修复问题。如果工具调用发生错误，系统会自动触发调试过程并返回解决方案。具体流程如下：

步骤：当模型调用 tool_1 发生错误时，系统会自动检测并返回问题（Bug）和解决方案（Solution），然后模型重新进行处理。
适用场景：适用于需要自动化故障排除和调试的场景，尤其是在调用外部工具时可能发生错误的情况下。

2.3 多工具并联调用

在大模型中，并行工具调用指的是在大模型调用外部工具时，可以在单次交互过程中可以同时调用多个工具，并行执行以解决用户的问题。如下图所示：而在create_tool_calling_agent中，已经自动处理了并行工具调用的处理逻辑，并不需要我们在手动处理，比如接下来测试一些复杂的问题：

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
from langchain.agents import create_tool_calling_agent, tool
from langchain_core.prompts import ChatPromptTemplate
#定义工具
tools = [get_weather]
# 构建提示模版
prompt = ChatPromptTemplate.from_messages(
[
("system", "你是天气助手，请根据用户的问题，给出相应的天气信息"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
]
)
# 初始化模型
model = init_chat_model("deepseek-chat", model_provider="deepseek")
# 直接使用`create_tool_calling_agent`创建代理
agent = create_tool_calling_agent(model, tools, prompt)

这里我们在提出的问题中，尝试让大模型同时查询北京和上海两个城市的天气并汇总结果。

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
from langchain.agents import AgentExecutor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
response = agent_executor.invoke({"input": "请问今天北京和杭州的天气怎么样，哪个城市更热？"})
print(response)
[1m> Entering new AgentExecutor chain...[0m
[32;1m[1;3m
Invoking: `get_weather` with `{'loc': 'Beijing'}`
responded: 我来帮您查询北京和杭州的天气情况，然后比较哪个城市更热。
[0m[36;1m[1;3m{"coord": {"lon": 116.3972, "lat": 39.9075}, "weather": [{"id": 800, "main": "Clear", "description": "\u6674", "icon": "01n"}], "base": "stations", "main": {"temp": 1.94, "feels_like": -2.32, "temp_min": 1.94, "temp_max": 1.94, "pressure": 1028, "humidity": 10, "sea_level": 1028, "grnd_level": 1023}, "visibility": 10000, "wind": {"speed": 4.7, "deg": 326, "gust": 11.38}, "clouds": {"all": 0}, "dt": 1761489105, "sys": {"type": 1, "id": 9609, "country": "CN", "sunrise": 1761431767, "sunset": 1761470426}, "timezone": 28800, "id": 1816670, "name": "Beijing", "cod": 200}[0m[32;1m[1;3m
Invoking: `get_weather` with `{'loc': 'Hangzhou'}`
responded: 我来帮您查询北京和杭州的天气情况，然后比较哪个城市更热。
[0m[36;1m[1;3m{"coord": {"lon": 120.1614, "lat": 30.2937}, "weather": [{"id": 804, "main": "Clouds", "description": "\u9634\uff0c\u591a\u4e91", "icon": "04n"}], "base": "stations", "main": {"temp": 15.95, "feels_like": 15.72, "temp_min": 15.95, "temp_max": 15.95, "pressure": 1025, "humidity": 81, "sea_level": 1025, "grnd_level": 1023}, "visibility": 10000, "wind": {"speed": 1.74, "deg": 322, "gust": 4.06}, "clouds": {"all": 99}, "dt": 1761489242, "sys": {"type": 1, "id": 9651, "country": "CN", "sunrise": 1761430124, "sunset": 1761470262}, "timezone": 28800, "id": 1808926, "name": "Hangzhou", "cod": 200}[0m[32;1m[1;3m根据查询结果，我来为您分析两个城市的天气情况：
**北京天气：**
- 天气状况：晴朗
- 温度：1.94°C
- 体感温度：-2.32°C
- 湿度：10%
- 风速：4.7 m/s
**杭州天气：**
- 天气状况：阴天，多云
- 温度：15.95°C
- 体感温度：15.72°C
- 湿度：81%
- 风速：1.74 m/s
**温度比较：**
杭州的温度（15.95°C）明显高于北京的温度（1.94°C），**杭州比北京更热**，温差达到14°C左右。
从体感温度来看，杭州的15.72°C也比北京的-2.32°C要暖和很多。杭州的湿度较高，天气多云，而北京则是晴朗但寒冷的天气。[0m
[1m> Finished chain.[0m
{'input': '请问今天北京和杭州的天气怎么样，哪个城市更热？', 'output': '根据查询结果，我来为您分析两个城市的天气情况：\n\n**北京天气：**\n- 天气状况：晴朗\n- 温度：1.94°C\n- 体感温度：-2.32°C\n- 湿度：10%\n- 风速：4.7 m/s\n\n**杭州天气：**\n- 天气状况：阴天，多云\n- 温度：15.95°C\n- 体感温度：15.72°C\n- 湿度：81%\n- 风速：1.74 m/s\n\n**温度比较：**\n杭州的温度（15.95°C）明显高于北京的温度（1.94°C），**杭州比北京更热**，温差达到14°C左右。\n\n从体感温度来看，杭州的15.72°C也比北京的-2.32°C要暖和很多。杭州的湿度较高，天气多云，而北京则是晴朗但寒冷的天气。'}

从这个过程中可以明显的看出，一次性发起了同一个外部函数的两次调用请求，并依次获得了北京和杭州两个城市的天气。这就是一次标准的parallel_function_call。

2.4 多工具串联调用

接下来继续尝试进行多工具串联调用测试：此时我们再定义一个write_file函数，用于将“文本写入本地”：

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
import os
@tool
def write_to_markdown(content: str) -> str:
"""
将指定内容保存为 Markdown 格式的文件。
:param content: 要保存的文本内容。
:param filename: 保存的文件名，默认为 'output.md'。
:return: 返回保存结果的消息。
"""
filename = "./output.md"
try:
# 确保文件名以 .md 结尾
if not filename.endswith(".md"):
filename += ".md"
# 写入文件
with open(filename, 'w', encoding='utf-8') as file:
file.write(content)
return f"内容已成功保存为 {filename} 文件。"
except Exception as e:
return f"保存文件时发生错误：{e}"

然后在tools列表中直接添加write_file工具，并修改提示模版，添加write_file工具的使用场景。代码如下所示：

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
from langchain.agents import AgentExecutor, create_tool_calling_agent, tool
from langchain_core.prompts import ChatPromptTemplate
tools = [get_weather, write_to_markdown]
prompt = ChatPromptTemplate.from_messages(
[
("system", "你是天气助手，请根据用户的问题，给出相应的天气信息，如果用户需要将查询结果写入文件，请使用write_file工具"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
]
)
# 初始化模型
model = init_chat_model("deepseek-chat", model_provider="deepseek")
agent = create_tool_calling_agent(model, tools, prompt)

接下来尝试运行：

ounter(lineounter(lineounter(lineounter(lineounter(line
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
agent_executor.invoke({"input": "查一下北京和杭州现在的温度，并将结果写入本地的文件中。"})

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
[1m> Entering new AgentExecutor chain...[0m
[32;1m[1;3m
Invoking: `get_weather` with `{'loc': 'Beijing'}`
responded: 我来帮您查询北京和杭州的温度，并将结果写入文件。
[0m[36;1m[1;3m{"coord": {"lon": 116.3972, "lat": 39.9075}, "weather": [{"id": 800, "main": "Clear", "description": "\u6674", "icon": "01n"}], "base": "stations", "main": {"temp": 1.94, "feels_like": -2.32, "temp_min": 1.94, "temp_max": 1.94, "pressure": 1028, "humidity": 10, "sea_level": 1028, "grnd_level": 1023}, "visibility": 10000, "wind": {"speed": 4.7, "deg": 326, "gust": 11.38}, "clouds": {"all": 0}, "dt": 1761489105, "sys": {"type": 1, "id": 9609, "country": "CN", "sunrise": 1761431767, "sunset": 1761470426}, "timezone": 28800, "id": 1816670, "name": "Beijing", "cod": 200}[0m[32;1m[1;3m
Invoking: `get_weather` with `{'loc': 'Hangzhou'}`
responded: 我来帮您查询北京和杭州的温度，并将结果写入文件。
[0m[36;1m[1;3m{"coord": {"lon": 120.1614, "lat": 30.2937}, "weather": [{"id": 804, "main": "Clouds", "description": "\u9634\uff0c\u591a\u4e91", "icon": "04n"}], "base": "stations", "main": {"temp": 15.95, "feels_like": 15.72, "temp_min": 15.95, "temp_max": 15.95, "pressure": 1025, "humidity": 81, "sea_level": 1025, "grnd_level": 1023}, "visibility": 10000, "wind": {"speed": 1.74, "deg": 322, "gust": 4.06}, "clouds": {"all": 99}, "dt": 1761489242, "sys": {"type": 1, "id": 9651, "country": "CN", "sunrise": 1761430124, "sunset": 1761470262}, "timezone": 28800, "id": 1808926, "name": "Hangzhou", "cod": 200}[0m[32;1m[1;3m
Invoking: `write_to_markdown` with `{'content': '# 北京和杭州当前温度查询结果\n\n## 北京当前天气\n- **城市：** 北京 (Beijing)\n- **当前温度：** 1.94°C\n- **体感温度：** -2.32°C\n- **天气状况：** 晴朗\n- **最低温度：** 1.94°C\n- **最高温度：** 1.94°C\n- **湿度：** 10%\n- **气压：** 1028 hPa\n- **风速：** 4.7 m/s\n- **能见度：** 10000米\n\n## 杭州当前天气\n- **城市：** 杭州 (Hangzhou)\n- **当前温度：** 15.95°C\n- **体感温度：** 15.72°C\n- **天气状况：** 阴，多云\n- **最低温度：** 15.95°C\n- **最高温度：** 15.95°C\n- **湿度：** 81%\n- **气压：** 1025 hPa\n- **风速：** 1.74 m/s\n- **能见度：** 10000米\n\n## 总结\n北京当前温度较低，仅为1.94°C，天气晴朗，体感比实际温度更冷。\n杭州当前温度较高，为15.95°C，天气多云，湿度较高。\n\n*查询时间：2025年1月31日*'}`
responded: 现在我将查询结果写入文件中：
[0m[33;1m[1;3m内容已成功保存为 ./output.md 文件。[0m[32;1m[1;3m我已经成功查询了北京和杭州的当前温度，并将详细结果写入到本地文件中。
**查询结果摘要：**
- **北京：** 1.94°C，晴朗，体感温度-2.32°C
- **杭州：** 15.95°C，阴天多云，体感温度15.72°C
详细天气信息已保存到 `output.md` 文件中，包含了温度、湿度、气压、风速等完整的天气数据。您可以在本地查看该文件获取更详细的信息。[0m
[1m> Finished chain.[0m

通过中间过程信息的打印，我们能够看到在一次交互过程中依次调用的get_weather查询到北京和杭州的天气，然后又将结果写入到本地的output.md文件中。这就是一个非常典型的串行工具调用的流程，如下图所示：