AI 编程 6：LangGraph Agent 模式 - 让 AI 自主使用工具

wqm71

935人浏览 · 2026-03-18 16:45:36

wqm71 · 2026-03-18 16:45:36 发布

LangGraph 封神实战 6：Agent 智能体模式，让 AI 像人类一样 "使用工具"！

作者：WangQiaomei版本：1.0（2026/3/16）

核心亮点：AI 自主分析问题→选择工具→执行操作→输出结果，告别 "只会嘴说不会动手" 的尴尬！

🔥前言：为什么 Agent 模式是 AI 的未来？

你是否遇到过：

AI 能看懂数学题，但算不对复杂运算？
AI 知道要查天气，却不会调用天气 API？
AI 想分析数据，却不会用 Excel / 数据库工具？

LangGraph Agent 模式 完美解决这个问题：✅ 让 AI 拥有 "动手能力"，自主选择并调用工具完成任务✅ 支持多轮工具调用（比如先加法→再乘法）✅ 通用架构，换工具就能适配天气、股票、翻译等场景

本文以 "AI 自主计算数学题" 为例，手把手教你搭建能 "使用工具" 的智能体！

🎯核心工作流：AI 如何自主使用工具？

预览

查看代码

用户输入：(3 + 5) × 12 = ?

回到AI节点确认结果

需要工具吗？

执行add(3,5)=8 → multiply(8,12)=96

输出最终答案：96

flowchart TD
    A["用户输入：(3 + 5) × 12 = ?"] --> B["llm_call（AI思考节点）"]
    B["分析问题，决定调用add+multiply工具"] --> C{需要工具吗？}
    C -->|✅ 是| D["tool_executor（工具执行节点）"]
    D["执行add(3,5)=8 → multiply(8,12)=96"] --> B["回到AI节点确认结果"]
    C -->|❌ 否| E["输出最终答案：96"]

用户输入：(3 + 5) × 12 = ?

回到AI节点确认结果

需要工具吗？

执行add(3,5)=8 → multiply(8,12)=96

输出最终答案：96

工作流炸裂亮点

自主决策：AI 自己判断该用什么工具，无需人工指令
闭环迭代：工具执行完自动返回 AI 验证，确保结果正确
无限扩展：加减乘除只是开始，API / 数据库 / 爬虫都能接！

🛠️完整可运行代码（直接复制即用）

python

运行

# -*- coding: utf-8 -*-
"""
作者：WangQiaomei

版本：1.0（2026/3/18）
"""

# ==================== 1. 定义AI可用的工具（核心！） ====================
# @tool装饰器：把普通函数变成AI能看懂、能调用的工具
@tool
def multiply(a: int, b: int) -> int:
    """Multiply `a` and `b`. （AI靠这个描述理解工具用途）

    Args:
        a: First int
        b: Second int
    """
    return a * b

@tool
def add(a: int, b: int) -> int:
    """Adds `a` and `b`.

    Args:
        a: First int
        b: Second int
    """
    return a + b

@tool
def divide(a: int, b: int) -> float:
    """Divide `a` and `b`.

    Args:
        a: First int
        b: Second int
    """
    return a / b

# 把工具绑定到LLM，让AI知道"我有这些工具可用"
tools = [add, multiply, divide]
tools_by_name = {tool.name: tool for tool in tools}
llm_with_tools = llm.bind_tools(tools)  # 关键一步！

# ==================== 2. 定义全局状态 ====================
class State(TypedDict):
    # 消息列表自动累加，支撑多轮工具调用
    messages: Annotated[list, operator.add]

# ==================== 3. 核心节点函数 ====================
def llm_call(state: State):
    """AI思考节点：分析问题，决定调用哪个工具"""
    response = llm_with_tools.invoke(state["messages"])
    return {"messages": [response]}

def tool_executor(state: State):
    """工具执行节点：执行AI指定的工具调用"""
    last_message = state["messages"][-1]
    results = []
    
    # 遍历AI要求调用的所有工具
    for tool_call in last_message.tool_calls:
        tool_name = tool_call["name"]
        tool_args = tool_call["args"]
        
        # 找到工具并执行
        tool_fn = tools_by_name[tool_name]
        result = tool_fn.invoke(tool_args)
        
        # 封装工具执行结果，让AI能识别
        results.append(ToolMessage(
            content=str(result),
            tool_call_id=tool_call["id"]
        ))
    
    return {"messages": results}

# ==================== 4. 条件路由：控制流程走向 ====================
def should_continue(state: State):
    """判断是否需要继续调用工具"""
    last_message = state["messages"][-1]
    # 没有工具调用请求 → 结束流程
    if not last_message.tool_calls:
        return "end"
    # 有工具调用请求 → 执行工具
    return "continue"

# ==================== 5. 构建Agent工作流 ====================
agent_builder = StateGraph(State)

# 添加核心节点
agent_builder.add_node("llm_call", llm_call)           # AI思考
agent_builder.add_node("tool_executor", tool_executor) # 工具执行

# 配置流程走向
agent_builder.add_edge(START, "llm_call")              # 开始 → AI思考
agent_builder.add_conditional_edges(
    "llm_call",
    should_continue,
    {
        "continue": "tool_executor",  # 需要工具 → 执行工具
        "end": END                     # 无需工具 → 结束
    }
)
agent_builder.add_edge("tool_executor", "llm_call")    # 工具执行完 → 回到AI

# 编译工作流
agent = agent_builder.compile()

# 可视化工作流（可选，需要网络）
try:
    display(Image(agent.get_graph().draw_mermaid_png()))
except Exception as e:
    print(f"可视化失败（不影响运行）：{e}")

# ==================== 6. 运行测试 ====================
if __name__ == "__main__":
    # 测试题：让AI自主计算 (3 + 5) × 12
    question = "What is (3 + 5) * 12?"
    
    # 执行Agent
    result = agent.invoke({"messages": [HumanMessage(content=question)]})
    
    # 输出结果
    print(f"💡 问题：{question}")
    print(f"🎉 答案：{result['messages'][-1].content}")

🔑核心知识点拆解（新手也能懂）

1. @tool 装饰器：AI 工具的 "身份证"

python

运行

@tool
def add(a: int, b: int) -> int:
    """Adds `a` and `b`.（AI靠这个注释理解工具用途）"""
    return a + b

✨ 作用：把普通 Python 函数标记为 AI 可调用工具
✨ 关键：函数注释必须清晰，AI 靠这个判断该什么时候用这个工具

2. llm.bind_tools (tools)：给 AI"装备库"

python

运行

llm_with_tools = llm.bind_tools(tools)

✨ 核心：告诉 AI"你现在有加法、乘法、除法这三个工具可用"
✨ 效果：AI 思考时会自动判断该调用哪个工具，无需你手动指定

3. 条件路由：Agent 的 "决策大脑"

python

运行

def should_continue(state: State):
    if not last_message.tool_calls:
        return "end"  # 没工具要调用 → 结束
    return "continue" # 有工具要调用 → 执行

✨ 作用：实现 Agent 的闭环迭代，直到任务完成
✨ 场景扩展：可自定义迭代次数限制，避免无限循环

📌运行效果展示

plaintext

💡 问题：What is (3 + 5) * 12?
🎉 答案：The result of $(3 + 5) \times 12$ is **96**.

AI 会先调用add(3,5)得到 8，再调用multiply(8,12)得到 96
最终返回格式化的答案，全程无需人工干预！

💡超实用扩展场景（看完就能改）

表格

场景	改造思路
📅 天气查询	把工具换成「调用天气 API」，让 AI 自主查指定城市天气
📈 股票分析	把工具换成「获取股票数据」，让 AI 自主分析涨跌
📝 翻译工具	把工具换成「调用翻译 API」，让 AI 自主翻译多语言
🧰 爬虫工具	把工具换成「网页爬虫」，让 AI 自主爬取指定内容