create_react_agent(model, tools) 和 graph_builder.add_conditional_edges 的联系和区别

这两者都是在LangGraph 框架下用于构建智能代理（Agent）工作流的，但它们的作用完全不同：

	`create_react_agent(model, tools)`	`graph_builder.add_conditional_edges`
作用	创建一个可以调用工具的智能代理（Agent）	在 LangGraph 中定义工作流中的条件分支
本质	让 AI 通过ReAct 机制决定如何调用 `tools` 处理任务	让任务执行时，根据不同的条件决定下一步执行哪个节点
适用场景	需要让 AI 代理根据用户输入选择并执行合适的工具	需要在一个有条件分支的工作流里决定下一个执行的步骤
是否依赖 AI 解析	是，AI 决定何时调用工具	否，条件逻辑通常由代码或数据判断

通常，你会先用 create_react_agent(model, tools) 创建一个可以调用工具的 AI 代理 ，然后在 LangGraph 的工作流 里用 graph_builder.add_conditional_edges 控制代理的执行流程。

换句话说：

它们经常配合使用，比如：

我们想创建一个智能宠物助手，它能够：

python 复制代码

graph = create_react_agent(model, tools)

这行代码创建了一个AI 代理 ，它可以调用 tools（比如 list_favorite_pets 查询宠物、update_favorite_pets 存储宠物）。

➡️ 这一步只是让 AI 具备调用工具的能力 ，但它并不决定下一步要执行哪个任务。

python 复制代码

graph_builder.add_conditional_edges(
    "check_pets",  # 当前步骤
    lambda data: "recommend_pets" if not data["pets"] else "show_pets",  # 条件判断
)

这行代码的作用是：

用户输入："我喜欢什么宠物？"
AI 代理调用 list_favorite_pets 查询宠物
工作流分支
- 如果有宠物信息 ，执行 show_pets，回复"你喜欢猫和狗"。
- 如果没有宠物信息 ，执行 recommend_pets，回复"你可以试试养猫或狗"。

功能	`create_react_agent(model, tools)`	`graph_builder.add_conditional_edges`
作用	让 AI 代理能够调用工具处理任务	让 AI 代理在任务完成后决定执行哪个步骤
是否涉及 AI 解析	是，AI 自己决定是否调用工具	否，执行路径由代码逻辑决定
使用场景	让 AI 代理能查询数据库、调用 API、处理用户请求	在一个工作流中，定义执行路径的分支逻辑
举例	AI 代理查询用户喜欢的宠物	AI 代理根据查询结果决定是显示宠物还是推荐宠物

它们经常搭配使用，create_react_agent 负责执行任务 ，add_conditional_edges 负责控制任务流。