🎯 课程主题

讲解 create_agent() 中 tools 参数的使用，包括自定义工具、内置工具以及多工具绑定与调用。

📝 核心知识点

1. Agent绑定工具的两种方式

  • 概念说明：Agent支持静态和动态两种工具绑定方式。静态方式直接传入 tools 参数（本节内容），动态方式需借助下一章的中间件。
  • 关键细节：tools 参数接收一个工具列表，create_agent(model=..., tools=[tool1, tool2, ...])。

2. 工具调用流程

  • 概念说明：Agent接收到用户消息后，内部模型会分析是否需要调用工具。
  • 关键细节：
    • 不需要工具 → 直接生成 AIMessage 返回
    • 需要工具 → 生成包含 tool_calls 的 AIMessage → 执行工具 → 生成 ToolMessage → 模型结合结果生成最终 AIMessage
    • 可能多次循环（工具失败重试、多个工具递进调用等）

3. 自定义工具

  • 概念说明：使用 @tool 装饰器定义工具，需包含清晰的 docstring。
  • 关键细节：工具的描述（docstring）是Agent判断是否调用该工具的关键依据。
from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """查询指定城市的天气信息"""
    return f"{city}天气晴朗，温度15℃"

4. 内置工具（以TavilySearch为例）

  • 概念说明：LangChain内置了大量工具，可直接导入使用。
  • 关键细节：
    • TavilySearch 提供联网搜索能力，每月1000次免费额度
    • 需在 Tavily官网 注册获取 API Key
    • 配置环境变量后通过 TavilySearch(max_results=2, tavily_api_key=os.getenv("TAVILY_API_KEY")) 创建
from langchain_community.tools.tavily_search import TavilySearch

web_search = TavilySearch(
    max_results=2,
    tavily_api_key=os.getenv("TAVILY_API_KEY")
)

5. 多工具绑定

  • 概念说明：tools 列表中可以放入多个工具，Agent会根据用户问题自动选择合适的工具。
  • 关键细节：当一个问题涉及多个工具时，Agent会依次调用，中间结果会全部记录在响应消息列表中。

🏗️ 架构与工作流

用户消息 (HumanMessage)
    ↓
Agent 分析 → 需要工具?
    ↓ 是
AIMessage (含 tool_calls) → 执行工具 → ToolMessage
    ↓                                    ↓
    ←←←←←←←← 模型整合结果 ←←←←←←←←←
    ↓ 否
最终 AIMessage (不含 tool_calls)

图结构示例（绑定 get_weather 工具后）：

start → model → [条件判断] → tools(get_weather) → model → [条件判断] → end

💻 代码实战

import os
from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek
from langchain_core.tools import tool
from langchain_community.tools.tavily_search import TavilySearch
from rich import print as rprint

load_dotenv()

# ========== 示例一：自定义工具 ==========
@tool
def get_weather(city: str) -> str:
    """查询指定城市的天气信息"""
    return f"{city}天气晴朗，温度15℃"

model = ChatDeepSeek(model="deepseek-chat")
agent = create_agent(model=model, tools=[get_weather])

response = agent.invoke({
    "messages": [
        {"role": "system", "content": "你是一个查询天气的助手，根据用户提问查询天气。如果问题与天气无关，可以说你不清楚。"},
        {"role": "user", "content": "北京的天气如何？"}
    ]
})
rprint(response)
# 消息列表：SystemMessage → HumanMessage → AIMessage(含tool_calls) → ToolMessage → AIMessage(最终答案)

# ========== 示例二：内置工具 ==========
web_search = TavilySearch(max_results=2, tavily_api_key=os.getenv("TAVILY_API_KEY"))
agent2 = create_agent(model=model, tools=[web_search])

response2 = agent2.invoke({
    "messages": [{"role": "user", "content": "帮我查询2024年诺贝尔物理学奖得主是谁"}]
})
rprint(response2)

# ========== 示例三：多工具绑定 ==========
@tool
def get_news() -> str:
    """获取今天的新闻头条"""
    return "今日头条：AI技术取得重大突破！"

agent3 = create_agent(model=model, tools=[get_weather, get_news])

response3 = agent3.invoke({
    "messages": [
        "杭州的天气如何？今天有哪些新闻？"
    ]
})
rprint(response3)
# 消息列表会包含两个 AIMessage(含tool_calls) 和两个 ToolMessage

⚠️ 常见问题与避坑指南

  • 工具的描述（docstring）极其重要——它是Agent判断是否调用该工具的唯一依据，必须清晰准确。
  • 内置工具可能需要单独的 API Key 和网络环境。
  • 与裸模型（LLM）不同，Agent能够自动执行工具调用，无需手动调用 tool.invoke()。
  • 多工具绑定时，Agent会自动选择匹配的工具，调用顺序由内部推理决定。

💡 个人总结与延伸

工具绑定是Agent能力的核心扩展点。LangChain 1.0的 create_agent 将工具调用的编排过程全自动化——用户只需声明工具有哪些，Agent内部基于LangGraph自动完成"推理→调用→观察→再推理"的ReAct循环。工具数量建议控制在2~5个，太多或描述相似的工具有可能导致Agent选错工具。

最近更新:
Contributors: yangwenguang