langGraph从入门到精通（十一）——基于langgraph构建复杂工具应用的ReAct自治代理

小陈phd2026-01-27 8:51

Tool Calling Agent 的局限性又在于：虽然它可以自主选择工具，但在其架构中，每次仅能执行一次函数调用（无论是单个外部函数还是多个外部函数）**。因此，当任务需要依次执行 A 工具、B 工具和 C 工具时，它无法支持这种自主控制的过程。因此，面对这种更复杂的需求，就需要引入了 Full Autonomous（自治循环代理）架构，即如下图所示：

   Full Autonmonous 以两种主要的方式去扩展了Agent对工作流的控制，分别是：

  • 多步骤决策： Agent可以控制一系列决策，而不仅仅是一个决策。
  • 工具访问： Agent可以选择并使用多种工具来完成任务。
      满足上述两个条件，典型且通用的代理架构，就是基于ReAct思想而形成的代理模式 。ReAct的核心理念还是在于为大模型配备足够丰富的外部工具，使用合适的提示词，引导大模型在接收到用户输入后，进入自主思考和循环执行的状态，以实现最终目标。

1. LangGraph中ReAct的构建原理

  在 LangGraph 开发框架中有一些预构建的组件。上节课介绍的 ToolNode 是其中一个，它用于处理外部函数调用，其内部结合了 LangGraph 底层的图结构，能够接收 JSON Schema 形式的数据，执行工具函数并返回结果。除此之外，LangGraph的预构建组件中还包含了 ReAct 代理架构，该架构与我们在《ReAct 智能应用架构深度剖析》中手动实现的思路和流程基本一致。不同之处在于，在 LangGraph 框架中，ReAct 组件被改造成适配图结构的循环代理，其具体过程是：大模型可以在一个 while 循环中被重复调用。每一步，代理来自主决定调用哪些工具及其输入，然后执行这些工具，并将输出作为观察结果反馈给大模型。当代理判断不再需要调用更多工具时，while 循环便会终止，输出最终的结果。

   因此，我们需要理解的关键概念是：LangGraph预构建的ReAct组件，其实就是通过接入大模型，搭配着Tool Calling Agent，再结合Router Agent 共同构建起来的图，这个图以自治循环代理的架构形式提供服务。 其图结构如下图所示：

  这种代理实现的机制表明了，在LangGraph中实现的预构建ReAct代理结构，它支持：

  • Tool calling ：允许大模型根据需要选择和使用各种工具。
  • Memory：使代理能够保留和使用先前步骤中的信息。
  • Planning ：授权大模型制定并遵循多步骤计划以实现目标。

  而其在图结构中的具体构建的工作流如下图所示：

  如图所示，Agent节点使用消息列表的形式来调用大语言模型，Messages Modifier指的是在传递到大模型之前，修饰用户的原始输入内容，可以是SystemMessage（作为背景信息添加的消息列表的开头）、Runnable（可运行）等不同状态，如果生成的 AIMessage 包含tool_calls，则该图将调用 tools 。 tools 节点执行工具（每个 tool_call 1 个工具）并且将响应作为ToolMessage对象添加到消息列表。然后Agent节点再次调用大语言模型。重复该过程，直到响应中不再存在tool_calls ，最终由Agent节点将完整的消息列表作为包含键 messages的字典返回。

  那么如何实现上述这个非常复杂的过程呢？非常简单，既然我们一直提到的是预构建组件，则说明整个过程已经由LangGraph内部封装好了，其提供给开发者使用的接口就是：create_react_agent方法。

  在这个案例中，我们将通过一个多工具场景需求来测试 LangGraph 中 ReAct 代理的构建方法和效果。我们设计了几个工具，以实现实时数据的查询和管理。首先，用户可以通过一个工具根据城市名称实时获取当前天气信息。接着，如果用户希望将查询到的天气数据保存到本地数据库中，可以使用另一个工具完成数据的插入操作。此外，我们还提供了一个工具，允许用户基于本地数据库中的天气数据进行提问数据进行提问。通过这些工具的组合，我们能够快速验证如何在复杂的应用场景中有效地整合不同功能，并实际的感知LangGraph框架下ReAct代理模式带来的开发便捷性和可扩展性。

  首先，我们接入实时天气数据查询的在线API，代码定义如下：

OpenWeather API的注册与使用，注册地址：https://openweathermap.org/

python 复制代码 
import requests
import json

def get_weather(loc):
    """
    Function to query current weather.
    :param loc: Required parameter, of type string, representing the specific city name for the weather query. \
    Note that for cities in China, the corresponding English city name should be used. For example, to query the weather for Beijing, \
    the loc parameter should be input as 'Beijing'.
    :return: The result of the OpenWeather API query for current weather, with the specific URL request address being: https://api.openweathermap.org/data/2.5/weather. \
    The return type is a JSON-formatted object after parsing, represented as a string, containing all important weather information.
    """
    # Step 1.构建请求
    url = "https://api.openweathermap.org/data/2.5/weather"

    # Step 2.设置查询参数
    params = {
        "q": loc,               
        "appid": "xxxxxxxxxxxxxxxxxxxxxxxx",    # 替换为自己的API key
        "units": "metric",            # 使用摄氏度而不是华氏度
        "lang":"zh_cn"                # 输出语言为简体中文
    }

    # Step 3.发送GET请求
    response = requests.get(url, params=params)
    
    # Step 4.解析响应
    data = response.json()
    return json.dumps(data)

  测试一下get_weather函数的有效性，正常情况下可以得到输入城市名的实时天气信息。测试代码如下所示：

  从返回的结果是Json数据类型，包含了非常丰富的实时天气数据，如天气条件、温度、湿度、风速、天气描述等信息，这里我们选择一些重要的数据参数进行存储操作（存储至Mysql数据库中）。提取的参数如下：

字段名称 描述
city_id 城市的唯一标识符
city_name 城市名称
main_weather 主要天气状况
description 天气的详细描述
temperature 当前温度
feels_like 体感温度
temp_min 最低温度
temp_max 最高温度

  接下来，设计一个用于存储实时天气信息的表。这里我们定义一个新的模型 Weather，并包括上述所提取出来的的字段。连接 Mysql数据库及创建表的代码如下所示：

python 复制代码 
from sqlalchemy import create_engine, Column, Integer, String, Float
from sqlalchemy.orm import sessionmaker, declarative_base

# 创建基类
Base = declarative_base()

# 定义 WeatherInfo 模型
class Weather(Base):
    __tablename__ = 'weather'
    city_id = Column(Integer, primary_key=True)  # 城市ID
    city_name = Column(String(50))                # 城市名称
    main_weather = Column(String(50))             # 主要天气状况
    description = Column(String(100))              # 描述
    temperature = Column(Float)                    # 温度
    feels_like = Column(Float)                    # 体感温度
    temp_min = Column(Float)                      # 最低温度
    temp_max = Column(Float)                      # 最高温度


# 数据库连接 URI，这里要替换成自己的Mysql 连接信息，以下是各个字段的对应解释：
# gpt：MySQL 数据库的用户名。
# gpt：MySQL 数据库的密码。
# localhost：MySQL 服务器的 IP 地址。
# langgraph：要连接的数据库的名称。
# charset=utf8mb4：设置数据库的字符集为 utf8mb4，支持更广泛的 Unicode 字符
DATABASE_URI = 'mysql+pymysql://gpt:gpt@localhost:20100/langgraph?charset=utf8mb4'

engine = create_engine(DATABASE_URI)

# 如果表不存在，则创建表
Base.metadata.create_all(engine)

# 创建会话
Session = sessionmaker(bind=engine)

  接下来，使用LangChain的tool 装饰器将普通的函数注册为LangGraph中支持的工具服务，根据需求的设计，我们要依次创建三个外部函数，分别是：

  1. get_weather工具：用于根据城市名称实时查询该城市的当前天气数据。
  2. insert_weather_to_db工具：如果用户想要把查询到的天气数据插入到数据库的表中，则使用此函数完成数据库的插入操作。
  3. query_weather_from_db工具：如果用户想基于本地数据库的天气数据直接进行提问，则使用此函数完成数据库的查询操作。
python 复制代码 
from langchain_core.tools import tool
from typing import Union, Optional
from pydantic import BaseModel, Field
import requests


## 第一个工具

class WeatherLoc(BaseModel):
    location: str = Field(description="The location name of the city")


class WeatherInfo(BaseModel):
    """Extracted weather information for a specific city."""
    city_id: int = Field(..., description="The unique identifier for the city")
    city_name: str = Field(..., description="The name of the city")
    main_weather: str = Field(..., description="The main weather condition")
    description: str = Field(..., description="A detailed description of the weather")
    temperature: float = Field(..., description="Current temperature in Celsius")
    feels_like: float = Field(..., description="Feels-like temperature in Celsius")
    temp_min: float = Field(..., description="Minimum temperature in Celsius")
    temp_max: float = Field(..., description="Maximum temperature in Celsius")
    
@tool(args_schema=WeatherLoc)
def get_weather(location):
    """
    Function to query current weather.
    :param loc: Required parameter, of type string, representing the specific city name for the weather query. \
    Note that for cities in China, the corresponding English city name should be used. For example, to query the weather for Beijing, \
    the loc parameter should be input as 'Beijing'.
    :return: The result of the OpenWeather API query for current weather, with the specific URL request address being: https://api.openweathermap.org/data/2.5/weather. \
    The return type is a JSON-formatted object after parsing, represented as a string, containing all important weather information.
    """
    # Step 1.构建请求
    url = "https://api.openweathermap.org/data/2.5/weather"

    # Step 2.设置查询参数
    params = {
        "q": location,               
        "appid": "5c939a7cc59eb8696f4cd77bf75c5a9a",    # 输入API key
        "units": "metric",            # 使用摄氏度而不是华氏度
        "lang":"zh_cn"                # 输出语言为简体中文
    }

    # Step 3.发送GET请求
    response = requests.get(url, params=params)
    
    # Step 4.解析响应
    data = response.json()
    return json.dumps(data)
    

## 第二个工具

@tool(args_schema=WeatherInfo)
def insert_weather_to_db(city_id, city_name, main_weather, description, temperature, feels_like, temp_min, temp_max):
    """Insert weather information into the database."""
    session = Session()  # 确保为每次操作创建新的会话
    try:
        # 创建天气实例
        weather = Weather(
            city_id=city_id,
            city_name=city_name,
            main_weather=main_weather,
            description=description,
            temperature=temperature,
            feels_like=feels_like,
            temp_min=temp_min,
            temp_max=temp_max
        )
        # 使用 merge 方法来插入或更新（如果已有记录则更新）
        session.merge(weather)
        # 提交事务
        session.commit()
        return {"messages": [f"天气数据已成功存储至Mysql数据库。"]}
    except Exception as e:
        session.rollback()  # 出错时回滚
        return {"messages": [f"数据存储失败，错误原因：{e}"]}
    finally:
        session.close()  # 关闭会话

## 第三个工具

class QueryWeatherSchema(BaseModel):
    """Schema for querying weather information by city name."""
    city_name: str = Field(..., description="The name of the city to query weather information")
    
@tool(args_schema=QueryWeatherSchema)
def query_weather_from_db(city_name: str):
    """Query weather information from the database by city name."""
    session = Session()
    try:
        # 查询天气数据
        weather_data = session.query(Weather).filter(Weather.city_name == city_name).first()
        if weather_data:
            return {
                "city_id": weather_data.city_id,
                "city_name": weather_data.city_name,
                "main_weather": weather_data.main_weather,
                "description": weather_data.description,
                "temperature": weather_data.temperature,
                "feels_like": weather_data.feels_like,
                "temp_min": weather_data.temp_min,
                "temp_max": weather_data.temp_max
            }
        else:
            return {"messages": [f"未找到城市 '{city_name}' 的天气信息。"]}
    except Exception as e:
        return {"messages": [f"查询失败，错误原因：{e}"]}
    finally:
        session.close()  # 关闭会话

  然后，定义实时联网检索外部工具，通过该函数获取最新的网络数据信息。

python 复制代码 
## 第四个工具

class SearchQuery(BaseModel):
    query: str = Field(description="Questions for networking queries")


@tool(args_schema = SearchQuery)
def fetch_real_time_info(query):
    """Get real-time Internet information"""
    url = "https://google.serper.dev/search"
    payload = json.dumps({
      "q": query,
      "num": 1,
    })
    headers = {
      'X-API-KEY': '22a84d67009121271e4a5eb21d809e11d3bc8d45',
      'Content-Type': 'application/json'
    }
    
    response = requests.post(url, headers=headers, data=payload)
    data = json.loads(response.text)  # 将返回的JSON字符串转换为字典
    if 'organic' in data:
        return json.dumps(data['organic'],  ensure_ascii=False)  # 返回'organic'部分的JSON字符串
    else:
        return json.dumps({"error": "No organic results found"},  ensure_ascii=False)  # 如果没有'organic'键，返回错误信息

  然后把所有定义的工具存储在一个列表中，如下代码所示：

python 复制代码 
tools = [fetch_real_time_info, get_weather, insert_weather_to_db, query_weather_from_db]
tools

定义模型

python 复制代码 
import getpass
import os
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
load_dotenv()

key=os.getenv("DASHSCOPE_API_KEY")
base_url=os.getenv("DASHSCOPE_API_BASE")
llm = ChatOpenAI(model="qwen-plus", api_key=key,base_url=base_url,temperature=0)

  当有了工具列表和模型后，就可以通过create_react_agent这个LangGraph框架中预构建的方法来创建自治循环代理（ReAct）的工作流，其必要的参数如下：

  • model： 支持工具调用的LangChain聊天模型。
  • tools： 工具列表、ToolExecutor 或 ToolNode 实例。
  • state_schema：图的状态模式。必须有messages和is_last_step键。默认为定义这两个键的Agent State。
python 复制代码 
from langgraph.prebuilt import create_react_agent

graph = create_react_agent(llm, tools=tools)

from IPython.display import Image, display

display(Image(graph.get_graph().draw_mermaid_png()))

2.构建步骤解析

  我们可以逐步的分析和解释一下这一行代码中涉及的图构建过程：

2.1 Step 1. 定义图状态模式

  LangGraph中的主要图类型是StateGraph。每个节点通过State中的参数获取有效信息，执行完节点的内部逻辑后，更新该State状态中的值。不同的状态模式，可以通过注释设置状态的特定属性（例如覆盖现有值）或添加到现有属性。伪代码如下：

python 复制代码 
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph.message import add_messages


class State(TypedDict):
    messages: Annotated[list, add_messages]

2.2 Step 2. 定义Router Function

  设置边缘条件，有条件的原因是，根据节点的输出，可以采用多个路径之一。在该节点运行之前，所采用的路径是未知的（由大模型决定）。

  • 条件边缘：调用代理后，如果代理说要采取行动，那么应该调用调用工具的函数。如果代理说已经完成，那么就应该完成。
  • 正常边：调用工具后，它应该始终返回给代理来决定下一步做什么。

  伪代码如下：

python 复制代码 
# 定义决定是否继续执行任务的路由函数
def should_continue(state: State):
    messages = state["messages"]
    last_message = messages[-1]
    # 如果不是工具调用，则结束
    if not last_message.tool_calls:
        return END
    # 如果是的话，则进入工具库中选择函数执行
    else:
        return "tools"

2.3 Step 3. 定义大模型的交互函数

  接下来需要通过一个节点函数加载我想要使用的大模型。它需要满足两个标准：

  • 应该与消息一起使用，因为图的状态主要是消息列表（聊天历史记录）。
  • 需要与工具调用一起使用，其内部使用的是预构建的ToolNode。

  伪代码如下：

python 复制代码 
from typing import Literal

from langchain_core.runnables import RunnableConfig

# 定义大模型交互的节点函数
async def call_model(state: State, config: RunnableConfig):
    messages = state["messages"]
    response = await model.ainvoke(messages, config)
    # 将调用大模型后得到的响应，追加到消息列表中
    return {"messages": response}

2.4 Step 4. 构建图结构

  最后，把上述所有的组件放在一起构建图结构，这与我们手动构建图的方式基本一致，伪代码如下：

python 复制代码 
from langgraph.graph import END, START, StateGraph

# 定义一个新图
workflow = StateGraph(State)

# 添加两个节点
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)

# 设置起始节点为 agent
workflow.add_edge(START, "agent")

# 添加条件边 -- > Router Agent
workflow.add_conditional_edges(
    "agent",
    should_continue,
    ["tools", END],
)
# 添加回调边
workflow.add_edge("tools", "agent")

# 编译图
app = workflow.compile()

  理解了上面的create_react_agent方法内部的构建原理后，其实就能明白：当通过create_react_agent(llm, tools=tools)一行代码的执行，现在得到的已经是一个编译后、可执行的图了。我们可以通过mermaid方法来可视化经过create_react_agent方法构造出来的图结构，代码如下所示：

python 复制代码 
from IPython.display import Image, display

display(Image(graph.get_graph().draw_mermaid_png()))

  返回的是编译好的LangGraph可运行程序，可直接用于聊天交互。调用方式则和之前使用的方法一样，我们可以依次针对不同复杂程度的需求依次进行提问。首先是测试是否可以不使用工具，直接调用大模型生成响应。

python 复制代码 
finan_response = graph.invoke({"messages":["你好，请你介绍一下你自己"]})
finan_response
相关推荐
sell-cloud6 小时前
Prompt Engineering要凉了？Fable 5.5能“猜“意图，但银行正在封杀AI Agent——企业AI的真正护城河是什么
人工智能·prompt
java1234_小锋6 小时前
【技术专题】HTML5 网页技术 - HTML5 Canvas 基础以及动画入门
前端·html·html5
Navicat中国7 小时前
Navicat 18 内置 AI 助手让数据库开发从繁琐操作迈向智能协作
大数据·人工智能·数据库开发
4SAPI7 小时前
多模型请求路由怎么设计？成本、速度和能力如何平衡
人工智能·python·gateway·php
魔乐社区8 小时前
翼芯・智算测试与适配优化专区，让国产算力“选得准、跑得通、用得好“
人工智能·开源·大模型
知了学历孙老师9 小时前
小自考的校考和统考，出题方和难度差在哪
java·大数据·前端
XCDoris9 小时前
郴州logo设计机构
大数据·人工智能·python
Goboy10 小时前
一个人带三个Agent,我用全新TRAE从0到1搭了个资讯周刊站
人工智能·trae
俊哥V10 小时前
每日 AI 研究简报 · 2026-10-19
人工智能·ai
AI_AGENT_DEV_AI10 小时前
AI英语教培智能体的开发
人工智能
热门推荐
01如何新建文件夹？ 电脑新建文件夹的4种方法02国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）03历年考研数学一、数学二、数学三真题试卷及答案PDF04GitHub 镜像站点05几个好用的ip纯净度检测网站06「全语录+省流版」邵艾伦 × 孙宇晨：聊风口、聊个人IP、聊年轻人如何抓住 AI 时代的机会07苹果iPA游戏软件资源下载网站08Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）09蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接10昇腾910B系列芯片完全指南：四款型号对比、服务器选型与大模型部署实战