🧠 从零理解 LangChain + LangGraph 的工具调用机制

目标：掌握如何使用 LangChain 定义函数工具（tool），并通过 LangGraph 构建一个能自动调用工具的智能体（Agent-like）流程。

一、代码整体结构概览

这段代码实现了以下功能：

安全设置环境变量（OPENAI_API_KEY 和 OPENAI_BASE_URL）
初始化一个支持工具调用的大语言模型（LLM）
定义一个 Python 函数作为“工具”（multiply）
将工具绑定到 LLM 上，使其能“理解并调用”该函数
使用 LangGraph 构建一个状态图（StateGraph），实现单节点推理流程
测试两种输入：普通问候 vs 工具调用请求

最终，当用户说 “Multiply 2 and 3” 时，模型应返回一个包含 tool_calls 的 AIMessage，指明要调用 multiply(a=2, b=3)。

二、关键组件详解

1. 环境变量安全设置

1
2
3

def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")

使用 getpass.getpass() 避免 API Key 明文显示在终端。
设置 OPENAI_API_KEY 是必须的；OPENAI_BASE_URL 则用于代理（如你提供的 https://api.apiyi.com/v1）。

✅ 最佳实践：永远不要把密钥写死在代码中！

2. 初始化支持工具调用的 LLM

1
2
3

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="deepseek-chat")
llm_with_tools = llm.bind_tools([multiply])

ChatOpenAI 是 LangChain 对 OpenAI 兼容 API 的封装。
bind_tools([multiply]) 告诉模型：“你可以调用这些函数”，并自动生成 OpenAI 格式的 function calling schema。
注意：deepseek-chat 必须支持工具调用（即 function/tool calling 能力），否则会失败。

🔍 深度提示：bind_tools 会自动从函数的 docstring 和类型注解中提取参数信息，生成 JSON Schema。

例如，multiply 会被转换为：

{
  "type": "function",
  "function": {
    "name": "multiply",
    "description": "Multiply a and b.",
    "parameters": {
      "type": "object",
      "properties": {
        "a": {"type": "integer"},
        "b": {"type": "integer"}
      },
      "required": ["a", "b"]
    }
  }
}

3. 定义工具函数

1
2
3

def multiply(a: int, b: int) -> int:
    """Multiply a and b."""
    return a * b

函数必须有 类型注解 和 docstring，LangChain 才能正确解析。
返回值类型不影响工具调用（调用发生在模型输出阶段，不执行函数本身）。

⚠️ 注意：当前代码 只让模型“提议”调用工具，但 并未实际执行 multiply。若要执行，需额外添加工具调用节点（见后文扩展）。

4. 使用 LangGraph 构建状态图

from langgraph.graph import MessagesState, StateGraph, START, END

class MessagesState(MessagesState):
    pass

def tool_calling_llm(state: MessagesState):
    return {"messages": [llm_with_tools.invoke(state["messages"])]}

builder = StateGraph(MessagesState)
builder.add_node("tool_calling_llm", tool_calling_llm)
builder.add_edge(START, "tool_calling_llm")
builder.add_edge("tool_calling_llm", END)
graph = builder.compile()

MessagesState 是 LangGraph 内置的状态类，只包含 messages: list[BaseMessage]。
tool_calling_llm 节点：接收消息历史，调用 LLM（带工具），返回新消息。
整个图是 单节点线性流程：输入 → LLM → 输出。

📌 这是一个“非完整 Agent”——它能生成工具调用，但不会自动执行或响应结果。

5. 测试与输出

# 测试 1：普通对话
messages = graph.invoke({"messages": HumanMessage(content="Hello!")})

# 测试 2：触发工具调用
messages = graph.invoke({"messages": HumanMessage(content="Multiply 2 and 3")})

第一次：模型返回普通 AIMessage。
第二次：模型应返回 AIMessage，其中 tool_calls 字段非空，包含：
1
2
3
4
{
"name": "multiply",
"args": {"a": 2, "b": 3}
}

通过 m.pretty_print() 可直观看到消息结构。

三、为什么这很重要？——工具调用的意义

大模型本身不能直接计算 2*3，但通过 工具调用机制，它可以：

识别用户意图（“需要计算乘法”）
结构化表达需求（生成标准 tool call）
交由外部系统执行（你的 Python 函数、数据库、API 等）

这是构建 智能体（Agent） 的核心基础。

四、执行流程可视化

流程图

五、下一步：如何真正“执行”工具？

当前代码只到“提议调用”。要完成闭环，需：

添加一个 工具执行节点
在图中判断是否有 tool_calls
若有，则调用对应函数，并将结果以 ToolMessage 形式回传

示例扩展逻辑：

from langchain_core.messages import ToolMessage

def call_tool(state: MessagesState):
    last_msg = state["messages"][-1]
    if last_msg.tool_calls:
        tool_call = last_msg.tool_calls[0]
        func = globals()[tool_call["name"]]
        result = func(**tool_call["args"])
        return {
            "messages": [
                ToolMessage(
                    content=str(result),
                    tool_call_id=tool_call["id"]
                )
            ]
        }
    return {"messages": []}

然后构建更复杂的图（如：LLM → 工具调用？→ 是 → 执行 → 返回 → LLM 继续回答）。

六、总结：关键知识点记忆卡

概念	说明
`bind_tools`	将 Python 函数注册为 LLM 可调用的工具
`MessagesState`	LangGraph 中管理对话历史的标准状态
`tool_calls`	`AIMessage` 中的字段，表示模型希望调用的工具
`StateGraph`	用于构建多步骤、条件分支的智能体流程
工具调用 ≠ 工具执行	模型只“提议”，需开发者实现“执行+反馈”