LangGraph 工具完整介绍（分基础概念、两种工具模式、完整流程、实战代码）

LangGraph 工具完整介绍分基础概念、两种工具模式、完整流程、实战代码一、什么是 LangGraph 工具LangGraph 工具 可供大模型自动调用的外部能力用于弥补 LLM 短板实时计算、联网搜索、数据库查询、API 调用、文件读写、RAG 检索等核心两类使用场景前置规则工具代码路由提前判断你之前的classify_node判断数学问题直接走计算器分支LLM 自动工具调用ReAct 循环模型自主判断要不要调用工具多轮循环直到给出答案配套核心依赖bash运行pip install langgraph langchain langchain-openai python-dotenv二、工具的两种定义方式方式 1tool 装饰器最常用你计算器用的这种python运行from langchain.tools import tool tool def calculator_tool(expression: str) - str: 计算基础数学表达式 Args: expression: 四则运算字符串如 10 20 * 3 try: allowed_names {abs: abs, round: round, sum: sum, int: int, float: float} res eval(expression, {__builtins__: {}}, allowed_names) return str(res) except Exception as e: return f计算错误: {str(e)}关键特性自动解析文档字符串给 LLM 看用途、参数格式自动生成 JSON Schema大模型能看懂传参规则直接放入工具列表tools [calculator_tool]即可绑定模型方式 2自定义 BaseTool复杂工具多参数 / 异步适合需要复杂初始化、鉴权、异步请求的场景日常简单函数优先用tool。三、LLM 绑定工具bind_tools ()模型必须绑定工具列表才具备生成工具调用指令的能力python运行from langchain_openai import ChatOpenAI import os from dotenv import load_dotenv load_dotenv() llm ChatOpenAI( modelos.getenv(OPENAI_MODEL), api_keyos.getenv(OPENAI_API_KEY), base_urlos.getenv(OPENAI_API_BASE), temperature0 # 工具调用必须0稳定无随机输出 ) # 绑定计算器工具 tools [calculator_tool] llm_with_tools llm.bind_tools(tools)作用LLM 收到用户提问后判断需要计算时输出带tool_calls的AIMessagetool_calls包含工具名、参数、唯一调用 ID给工具节点执行四、LangGraph 内置工具执行节点ToolNode官方预制工具执行器不用手动写循环分发逻辑一键执行所有模型发起的工具调用python运行from langgraph.prebuilt import ToolNode # 传入工具列表生成工具执行节点 tool_node ToolNode(tools)内部自动逻辑无需手动实现读取 state 中最后一条 AI 消息的tool_calls循环匹配对应工具、执行函数生成ToolMessage携带返回结果放回 messages 列表维持对话上下文匹配五、标准工具调用工作流ReAct 循环架构流程图START → LLM节点(生成回答/工具调用) → 条件路由判断有tool_calls→ 进入ToolNode执行工具 → 回到 LLM 整合结果无tool_calls→END结束输出答案完整标准组件State状态存储对话消息通用内置MessagesStateLLM Node调用绑定工具的模型生成 AIMessageToolNode执行所有工具调用路由函数 should_continue条件分支判断是否要执行工具add_conditional_edges实现循环逻辑完整可运行标准工具调用代码python运行from typing import Literal from langgraph.graph import StateGraph, START, END from langgraph.prebuilt import ToolNode, MessagesState from langchain_openai import ChatOpenAI from langchain.tools import tool import os from dotenv import load_dotenv load_dotenv() # 1. 定义工具 tool def calculator_tool(expression: str) - str: 计算基础数学表达式支持四则运算、abs、round try: allowed_names {abs: abs, round: round, sum: sum, int: int, float: float} res eval(expression, {__builtins__: {}}, allowed_names) return str(res) except Exception as e: return f计算错误: {str(e)} tools [calculator_tool] tool_node ToolNode(tools) # 2. 初始化绑定工具的LLM llm ChatOpenAI( modelos.getenv(OPENAI_MODEL), api_keyos.getenv(OPENAI_API_KEY), base_urlos.getenv(OPENAI_API_BASE), temperature0 ) llm_with_tools llm.bind_tools(tools) # 3. LLM节点函数 def llm_agent(state: MessagesState): messages state[messages] response llm_with_tools.invoke(messages) return {messages: [response]} # 4. 路由函数判断是否需要调用工具 def should_continue(state: MessagesState) - Literal[tools, END]: last_msg state[messages][-1] # 如果存在工具调用去执行工具否则直接结束 if last_msg.tool_calls: return tools return END # 5. 构建图 builder StateGraph(MessagesState) # 注册节点 builder.add_node(agent, llm_agent) builder.add_node(tools, tool_node) # 入口 builder.add_edge(START, agent) # 条件分支agent输出后分流 builder.add_conditional_edges(agent, should_continue) # 工具执行完回到大模型重新整合答案 builder.add_edge(tools, agent) graph builder.compile() # 测试调用 res graph.invoke({messages: [(human, 125乘以36再减去200等于多少)]}) print(res[messages][-1].content)六、你之前业务场景前置关键词路由 工具分流非自动 ReAct区别于模型自动调用工具代码提前判断分支就是你写的classify_nodeadd_conditional_edges模式关键词匹配判断是否数学问题条件边分流数学走计算器节点普通问题走通用问答节点python运行from typing import TypedDict from langgraph.graph import StateGraph, START, END # 自定义状态 class State(TypedDict): query: str is_math: bool # 工具函数计算器 tool def calculator_tool(expression: str) - str: try: allowed_names {abs: abs, round: round, sum: sum, int: int, float: float} res eval(expression, {__builtins__: {}}, allowed_names) return str(res) except Exception as e: return f计算错误: {str(e)} # 分类节点关键词判断 def classify_node(state: State): query_lower state[query].lower() math_keywords [, -, *, /, plus, minus, times, divided, calculate, sum] is_math any(kw in query_lower for kw in math_keywords) return {is_math: is_math} # 路由函数根据标记分流 def route_query(state: State) - Literal[calc_node, qa_node]: if state[is_math]: return calc_node return qa_node # 业务节点 def calc_node(state: State): # 提取表达式调用计算器 expr state[query].replace(calculate , ).replace(sum of , ) result calculator_tool.invoke(expr) return {answer: f计算结果{result}} def qa_node(state: State): return {answer: f普通问答回答{state[query]}} # 搭建流程图 builder StateGraph(State) builder.add_node(analyze, classify_node) builder.add_node(calc_node, calc_node) builder.add_node(qa_node, qa_node) builder.add_edge(START, analyze) # 条件分支分流 builder.add_conditional_edges( sourceanalyze, path_fnroute_query, path_map{ calc_node: calc_node, qa_node: qa_node } ) builder.add_edge(calc_node, END) builder.add_edge(qa_node, END) graph builder.compile() # 测试 print(graph.invoke({query: calculate sum of 10 and 90}))七、两种工具使用模式对比表格模式适用场景核心特点LLM 自动工具调用ToolNodeReAct 循环不确定是否需要工具、多工具混合搜索 / 计算 / 数据库模型自主决策支持多轮循环通用 Agent 标准方案前置代码路由工具关键词 / 规则分流固定关键词可预判场景数学、翻译、天气速度更快无需大模型决策分支简单业务优先八、关键知识点与踩坑点1. bind_tools 必须搭配 temperature0温度大于 0 会随机丢失工具调用逻辑数学 / 工具场景强制 0。2. ToolNode 依赖 MessagesState内置工具节点需要 state 包含messages列表存储 HumanMessage/AIMessage/ToolMessage。3. 循环逻辑必须手动加边builder.add_edge(tools, agent)工具执行结果必须回传给大模型让模型整合工具输出给出自然语言答案否则流程直接中断。4. tool 函数参数必须标注类型expression: strLangChain 自动解析 Schema 给 LLM无类型标注会导致模型传参失败。5. eval 安全要点计算器工具必须清空__builtins__ 自定义白名单防止代码注入攻击线上环境不可省略。九、拓展多工具共存可同时放入计算器、搜索、天气等多个工具LLM 会自动选择匹配的工具调用python运行tool def get_weather(city: str): 查询城市天气 return f{city} 今日26℃晴天 tools [calculator_tool, get_weather] llm_with_tools llm.bind_tools(tools) tool_node ToolNode(tools)