上一篇 【LangGraph】基于 LangGraph 的智能快递配送系统（实战案例）

一、为什么要做这个？

在前面的学习中，我们已经知道：

大模型本身不具备实时信息能力。例如，问“明天烟台天气怎么样？”，模型其实并不知道。

因此需要一种机制，让模型在必要时调用外部工具（如搜索）。

这就是 Agent 的核心能力：让模型学会“什么时候自己回答，什么时候去查资料”。

二、整体思路（核心结构）

本系统本质上是一个循环：

用户问题输入大模型

模型判断是否需要调用工具

若需要，则调用搜索工具

若不需要，直接回答

搜索返回结果后，再次交给大模型总结

用 LangGraph 表示如下：

---

三、代码拆解

1. 准备工具 + 模型

search = TavilySearch(max_results=4)
tools = [search]

定义一个搜索工具，最多返回 4 条结果

#这里以阿里的千问模型为例
model = init_chat_model(
    model="qwen-plus",
    model_provider="openai",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="xxx",
    temperature=0
)

初始化大模型（阿里云兼容 OpenAI 接口）

model_with_tool = model.bind_tools(tools)

关键点：绑定工具，让模型具备“可以调用 search 工具”的能力

---

2. 定义状态（State）

class MessagesState(TypedDict):
    messages: Annotated[list[AnyMessage], operator.add]
    llm_calls: int
#messages：存储整个对话过程，包括用户消息（HumanMessage）、模型消息（AIMessage）和工具返回消息（ToolMessage）
#operator.add 表示自动追加
#llm_calls：记录调用大模型的次数

---

3. 节点一：LLM 决策

def llm_call(state: MessagesState):
    result = model_with_tool.invoke(
        [SystemMessage(content="你是一位乐于助人的助手，支持文件调用和搜索")]
        + messages
    )
    return {
        "messages": [result],
        "llm_calls": state.get("llm_calls", 0) + 1
    }

---

模型可能返回两种结果：

1.返回 AIMessage(tool_calls=[…])：
表示“我需要调用工具”

2.返回普通 AIMessage(content=“…”)：
表示“我可以直接回答”

---

4. 节点二：工具执行

def tool_node(state: MessagesState):
 """执行工具调用"""
  result=[]
    for tool_call in state["messages"][-1].tool_calls:
        tool = tools_by_name[tool_call["name"]]
        obs = tool.invoke(tool_call["args"])
        result.append(
            ToolMessage(content=obs, tool_call_id=tool_call["id"])
        )
    return {"messages": result}

拿到模型刚刚决定调用的工具，执行搜索

将结果包装成 ToolMessage，因为下一步大模型需要“读懂”工具返回的结果

---

5. 条件判断（核心）

def should_call(state: MessagesState):
    last_message = state["messages"][-1]
    if last_message.tool_calls:
        return "tool_node"
    return END

如果模型返回的消息包含 tool_calls，则下一步进入 tool_node
否则，流程结束

---

6. 构建图（LangGraph）

#构件图
agent_builder = StateGraph(MessagesState)

#添加节点：
agent_builder.add_node("llm_call", llm_call)
agent_builder.add_node("tool_node", tool_node)
#添加边：

python
agent_builder.add_edge(START, "llm_call")
#条件边：

agent_builder.add_conditional_edges(
    "llm_call",
    should_call,
    ["tool_node", END]
)
agent_builder.add_edge("tool_node", "llm_call")

这样就实现了：查完资料后，再让模型总结

---

7. 执行

messages = agent_search.invoke({
    "messages": [
        HumanMessage(content="明天烟台的天气怎样？")
    ]
})

---

8. 输出结果

print(f"调用 LLM 总次数：{messages['llm_calls']}次")
for i in messages["messages"]:
    i.pretty_print()

---

四、运行流程

以“天气问题”为例：

用户提问：明天烟台天气怎样？

LLM 判断：模型发现不知道实时天气，返回 tool_calls = [search]

调用搜索工具：TavilySearch 返回天气信息

再回到 LLM：模型根据搜索结果生成最终答案

流程结束

今天的分享先到这里，下期再见~