LangGraph 工具完整介绍（分基础概念、两种工具模式、完整流程、实战代码）

LangGraph 工具完整介绍（分基础概念、两种工具模式、完整流程、实战代码）

一、什么是 LangGraph 工具

LangGraph 工具 =可供大模型自动调用的外部能力，用于弥补 LLM 短板：

• 实时计算、联网搜索、数据库查询、API 调用、文件读写、RAG 检索等
• 核心两类使用场景：
  1. 前置规则工具：代码路由提前判断（你之前的classify_node判断数学问题，直接走计算器分支）
  2. LLM 自动工具调用（ReAct 循环）：模型自主判断要不要调用工具，多轮循环直到给出答案

配套核心依赖

bash

运行

pip install langgraph langchain langchain-openai python-dotenv

二、工具的两种定义方式

方式 1：@tool 装饰器（最常用，你计算器用的这种）

python

运行

from langchain.tools import tool @tool def calculator_tool(expression: str) -> str: """ 计算基础数学表达式 Args: expression: 四则运算字符串，如 "10 + 20 * 3" """ try: allowed_names = {"abs": abs, "round": round, "sum": sum, "int": int, "float": float} res = eval(expression, {"__builtins__": {}}, allowed_names) return str(res) except Exception as e: return f"计算错误: {str(e)}"

关键特性：

1. 自动解析文档字符串给 LLM 看用途、参数格式
2. 自动生成 JSON Schema，大模型能看懂传参规则
3. 直接放入工具列表tools = [calculator_tool]即可绑定模型

方式 2：自定义 BaseTool（复杂工具，多参数 / 异步）

适合需要复杂初始化、鉴权、异步请求的场景，日常简单函数优先用@tool。

三、LLM 绑定工具：bind_tools ()

模型必须绑定工具列表，才具备生成工具调用指令的能力：

python

运行

from langchain_openai import ChatOpenAI import os from dotenv import load_dotenv load_dotenv() llm = ChatOpenAI( model=os.getenv("OPENAI_MODEL"), api_key=os.getenv("OPENAI_API_KEY"), base_url=os.getenv("OPENAI_API_BASE"), temperature=0 # 工具调用必须0，稳定无随机输出 ) # 绑定计算器工具 tools = [calculator_tool] llm_with_tools = llm.bind_tools(tools)

作用：

• LLM 收到用户提问后，判断需要计算时，输出带tool_calls的AIMessage
• tool_calls包含：工具名、参数、唯一调用 ID，给工具节点执行

四、LangGraph 内置工具执行节点：ToolNode

官方预制工具执行器，不用手动写循环分发逻辑，一键执行所有模型发起的工具调用

python

运行

from langgraph.prebuilt import ToolNode # 传入工具列表，生成工具执行节点 tool_node = ToolNode(tools)

内部自动逻辑（无需手动实现）：

1. 读取 state 中最后一条 AI 消息的tool_calls
2. 循环匹配对应工具、执行函数
3. 生成ToolMessage携带返回结果，放回 messages 列表，维持对话上下文匹配

五、标准工具调用工作流（ReAct 循环架构）

流程图

START → LLM节点(生成回答/工具调用) → 条件路由判断

• 有tool_calls→ 进入ToolNode执行工具 → 回到 LLM 整合结果
• 无tool_calls→END结束输出答案

完整标准组件

1. State（状态）：存储对话消息，通用内置MessagesState
2. LLM Node：调用绑定工具的模型，生成 AIMessage
3. ToolNode：执行所有工具调用
4. 路由函数 should_continue：条件分支判断是否要执行工具
5. add_conditional_edges：实现循环逻辑

完整可运行标准工具调用代码

python

运行

from typing import Literal from langgraph.graph import StateGraph, START, END from langgraph.prebuilt import ToolNode, MessagesState from langchain_openai import ChatOpenAI from langchain.tools import tool import os from dotenv import load_dotenv load_dotenv() # 1. 定义工具 @tool def calculator_tool(expression: str) -> str: """计算基础数学表达式，支持四则运算、abs、round""" try: allowed_names = {"abs": abs, "round": round, "sum": sum, "int": int, "float": float} res = eval(expression, {"__builtins__": {}}, allowed_names) return str(res) except Exception as e: return f"计算错误: {str(e)}" tools = [calculator_tool] tool_node = ToolNode(tools) # 2. 初始化绑定工具的LLM llm = ChatOpenAI( model=os.getenv("OPENAI_MODEL"), api_key=os.getenv("OPENAI_API_KEY"), base_url=os.getenv("OPENAI_API_BASE"), temperature=0 ) llm_with_tools = llm.bind_tools(tools) # 3. LLM节点函数 def llm_agent(state: MessagesState): messages = state["messages"] response = llm_with_tools.invoke(messages) return {"messages": [response]} # 4. 路由函数：判断是否需要调用工具 def should_continue(state: MessagesState) -> Literal["tools", END]: last_msg = state["messages"][-1] # 如果存在工具调用，去执行工具；否则直接结束 if last_msg.tool_calls: return "tools" return END # 5. 构建图 builder = StateGraph(MessagesState) # 注册节点 builder.add_node("agent", llm_agent) builder.add_node("tools", tool_node) # 入口 builder.add_edge(START, "agent") # 条件分支：agent输出后分流 builder.add_conditional_edges("agent", should_continue) # 工具执行完回到大模型重新整合答案 builder.add_edge("tools", "agent") graph = builder.compile() # 测试调用 res = graph.invoke({"messages": [("human", "125乘以36再减去200等于多少")]}) print(res["messages"][-1].content)

六、你之前业务场景：前置关键词路由 + 工具分流（非自动 ReAct）

区别于模型自动调用工具，代码提前判断分支，就是你写的classify_node+add_conditional_edges模式：

1. 关键词匹配判断是否数学问题
2. 条件边分流：数学走计算器节点，普通问题走通用问答节点

python

运行

from typing import TypedDict from langgraph.graph import StateGraph, START, END # 自定义状态 class State(TypedDict): query: str is_math: bool # 工具函数（计算器） @tool def calculator_tool(expression: str) -> str: try: allowed_names = {"abs": abs, "round": round, "sum": sum, "int": int, "float": float} res = eval(expression, {"__builtins__": {}}, allowed_names) return str(res) except Exception as e: return f"计算错误: {str(e)}" # 分类节点：关键词判断 def classify_node(state: State): query_lower = state["query"].lower() math_keywords = ["+", "-", "*", "/", "plus", "minus", "times", "divided", "calculate", "sum"] is_math = any(kw in query_lower for kw in math_keywords) return {"is_math": is_math} # 路由函数：根据标记分流 def route_query(state: State) -> Literal["calc_node", "qa_node"]: if state["is_math"]: return "calc_node" return "qa_node" # 业务节点 def calc_node(state: State): # 提取表达式调用计算器 expr = state["query"].replace("calculate ", "").replace("sum of ", "") result = calculator_tool.invoke(expr) return {"answer": f"计算结果：{result}"} def qa_node(state: State): return {"answer": f"普通问答回答：{state['query']}"} # 搭建流程图 builder = StateGraph(State) builder.add_node("analyze", classify_node) builder.add_node("calc_node", calc_node) builder.add_node("qa_node", qa_node) builder.add_edge(START, "analyze") # 条件分支分流 builder.add_conditional_edges( source="analyze", path_fn=route_query, path_map={ "calc_node": "calc_node", "qa_node": "qa_node" } ) builder.add_edge("calc_node", END) builder.add_edge("qa_node", END) graph = builder.compile() # 测试 print(graph.invoke({"query": "calculate sum of 10 and 90"}))

七、两种工具使用模式对比

表格

八、关键知识点与踩坑点

1. bind_tools 必须搭配 temperature=0

温度大于 0 会随机丢失工具调用逻辑，数学 / 工具场景强制 0。

2. ToolNode 依赖 MessagesState

内置工具节点需要 state 包含messages列表，存储 HumanMessage/AIMessage/ToolMessage。

3. 循环逻辑必须手动加边builder.add_edge("tools", "agent")

工具执行结果必须回传给大模型，让模型整合工具输出给出自然语言答案，否则流程直接中断。

4. @tool 函数参数必须标注类型

expression: str，LangChain 自动解析 Schema 给 LLM，无类型标注会导致模型传参失败。

5. eval 安全要点（计算器工具）

必须清空__builtins__+ 自定义白名单，防止代码注入攻击，线上环境不可省略。

九、拓展：多工具共存

可同时放入计算器、搜索、天气等多个工具，LLM 会自动选择匹配的工具调用：

python

运行

@tool def get_weather(city: str): """查询城市天气""" return f"{city} 今日26℃，晴天" tools = [calculator_tool, get_weather] llm_with_tools = llm.bind_tools(tools) tool_node = ToolNode(tools)