用 LangGraph ToolNode 构建工具调用智能体
AI 总结
掘金人工智能文章介绍了如何用 LangChain 的 @tool 装饰器将 Python 函数转换为工具,并通过 LangGraph 的 ToolNode 执行这些工具。教程展示了如何向模型绑定多个工具、根据 tool_calls 进行条件路由、把执行结果交回模型并生成最终回答。文章还对比了预构建 ToolNode 与手写执行节点,并指出无效工具名或参数不匹配仍需额外错误处理。
深度见解
该教程给出了从固定路由转向模型自主选择工具的可执行方案,覆盖搜索、天气和数据库操作等实际场景。
LangGraph 的工具调用代理 - Tool Calling Agent
一、为什么需要 Tool Calling Agent
在 LangGraph 支持的代理架构中,路由代理(Router Agent)是基础形态:它通过 add_conditional_edges 搭配 Router Function,让大模型借助"结构化输出"在少数几个预设分支之间做选择。
但 Router Agent 有一个明显的局限:大模型通常只能控制单个决策,分支数量是写死的。比如我们只定义了"插入数据库"这一个分支,一旦希望接入网络搜索、RAG、天气查询等一堆各式各样的工具,难道要在每个工具下再套一层 Router Function 做分支判断吗?虽然可行,但显然不是高效的做法。
由此引出本文的主角——工具调用代理(Tool Calling Agent)。它是在 Router Agent 基础上的升级:大模型可以自主选择并使用工具库中的多种工具来完成某个分支中的任务。
它的核心思想一句话概括: