在引入工具调用（Tool Calling）时，我们要面临一个全新的底层逻辑：大模型需要"记忆对话"才能使用工具。
🧠 架构思考：为什么引入工具必须引入"消息历史（Messages）"？
在之前的架构中，我们的 State 里只有 current_code 和 error_message。大模型每次只看一眼错误，写出一段代码就结束了。
但是，一旦引入了工具，交互过程就变成了多轮对话：
- AI 发言 ："我要调用
search_web工具，搜索词是 'LangGraph API'。" - Tools 节点发言："这是我搜到的结果：xxxx..."
- AI 再次发言 ："哦，原来如此。那我开始写代码了：
<code_block>..."
为了让这个多轮对话能够顺畅进行，我们的全局 State 里必须引入一个类似微信聊天记录的字段 。在 LangChain 中，这通常被定义为 messages: Annotated[list, add_messages]。
🐍 代码实现：打造具备搜索能力的 Coder
我们将采用**"工具绑定（bind_tools） + 标签提取（XML Parsing）"**的混合模式。
这既保留了工具调用的自由，又保证了我们能精准提取出代码。
Step 1: 定义外部工具 (Tools)
我们先用 @tool 装饰器，把一个普通的 Python 函数包装成 AI 能认识的工具。
from langchain_core.tools import tool
# ==========================================
# 1. 定义外部工具 (赋予 AI 机械臂)
# ==========================================
@tool
def search_web(query: str) -> str:
"""当你不确定某个库的最新用法，或者缺乏特定知识时，使用此工具搜索网络。"""
print(f" [Tools 节点正在运行]: 正在联网搜索 -> {query}")
# 这里我们用模拟的数据返回。在真实的扩展中，
# 你可以把这里换成调用 Tavily API、Bing API，或者是你本地的数据库查询代码。
if "天气" in query or "weather" in query:
return "最新的天气 API 用法是: import requests; requests.get('http://api.weather.com/v1/...')"
return "搜索结果：该库的最新版本结构已发生改变，请使用新的实例化方法..."
# 将工具放入列表中备用
tools = [search_web]Step 2: 升级 State 与大模型
我们要把工具"绑定"到大模型上，并且在 State 里加入 messages 聊天记录。
from typing import TypedDict, Annotated, List, Optional
from langgraph.graph.message import add_messages
from langchain_core.messages import BaseMessage, HumanMessage, ToolMessage
# ==========================================
# 2. 升级 State 结构
# ==========================================
class SkillsCreatorState(TypedDict):
user_requirement: str
# 【核心新增】：用于记录 AI 和 Tools 之间的多轮聊天记录
# add_messages 会自动处理消息的追加和合并
messages: Annotated[List[BaseMessage], add_messages]
current_code: str
current_test_code: str
error_message: Optional[str]
# ==========================================
# 3. 绑定工具到大模型
# ==========================================
# 我们不再使用 with_structured_output！
# 而是使用 bind_tools，告诉 Claude："这里有些工具，你需要时可以随时用。"
coder_llm_with_tools = llm.bind_tools(tools)Step 3: 重写 Coder 节点 (对话模式)
现在的 Coder 节点不再是强行输出代码了，它是一个真正的对话参与者。
import re
from langchain_core.messages import HumanMessage, SystemMessage
def coder_node(state: SkillsCreatorState) -> dict:
"""全面升级的 Coder 节点：融合对话、规划、报错与工具调用"""
print("\n>>> [节点执行]: 进入 Coder 节点 (思考/调用工具/写代码)")
user_req = state.get("user_requirement")
plan = state.get("plan", [])
error_message = state.get("error_message")
count = state.get("iteration_count", 0)
# 获取当前的全局聊天记录
messages = state.get("messages", [])
# ==========================================
# 步骤一：组装/更新当前轮次的上下文 (Prompt Engineering)
# ==========================================
if not messages:
# 【场景 A：系统刚启动，这是它的第一眼】
# 1. 设置系统核心人设和 XML 强制输出规则
system_instruction = """你是一个高级 Python 工程师。
你可以使用 search_web 工具查阅最新的库文档或解决未知错误。
规则：
1. 如果遇到不确定的 API 或报错，请先调用工具查资料。
2. 当你准备好交付代码时，必须使用以下 XML 标签严格包裹：
<code_block>这里写业务代码</code_block>
<test_block>这里写断言测试代码</test_block>"""
messages.append(SystemMessage(content=system_instruction))
# 2. 告诉它当前的任务和架构师的计划
plan_str = "\n".join([f"步骤 {i + 1}: {step}" for i, step in enumerate(plan)])
initial_human_msg = f"用户的需求是：{user_req}\n\n请按照以下计划执行：\n{plan_str}"
messages.append(HumanMessage(content=initial_human_msg))
elif error_message:
# 【场景 B：从 Tester 节点被打回，带有报错信息】
# 注意：我们直接向现有的 messages 列表里追加一条新消息，像是你在微信里骂它
print(f" [Coder] 收到 QA 的报错工单，正在进行第 {count} 次思考...")
error_prompt = f"刚才测试失败了！这是报错信息：\n{error_message}\n请分析错误。如果不确定原因，可以先用工具查一下，然后再输出修复后的 XML 代码。"
messages.append(HumanMessage(content=error_prompt))
# 如果既不是第一次进，也没有 error_message，说明是从 Tools 节点回来的！
# 此时 messages 里已经包含了工具返回的查找结果，不需要我们额外加提示词。
# ==========================================
# 步骤二：调用绑定了工具的大模型
# ==========================================
# 注意这里使用的是绑定了工具的 llm 实例，传入的是完整的消息列表
response = coder_llm_with_tools.invoke(messages)
# ==========================================
# 步骤三：解析输出，组装状态补丁
# ==========================================
patch = {"messages": [response]} # 无论如何，先把 AI 的回答追加进历史记录
# 核心判断：如果 AI 决定交出代码（即没有调用工具），我们尝试解析 XML
if not response.tool_calls:
print(" [Coder] AI 未调用工具，开始解析 XML 代码...")
ai_text = response.content
# 使用正则提取代码块
code_match = re.search(r'<code_block>(.*?)</code_block>', ai_text, re.DOTALL)
test_match = re.search(r'<test_block>(.*?)</test_block>', ai_text, re.DOTALL)
# 如果提取成功，就更新 current_code，方便下游的 tester_node 使用
if code_match and test_match:
patch["current_code"] = code_match.group(1).strip()
patch["current_test_code"] = test_match.group(1).strip()
# 只有成功输出代码才算作一次有效的迭代
patch["iteration_count"] = count + 1
# 清空上一轮的报错状态，准备迎接新一轮的测试
patch["error_message"] = None
else:
# 防呆设计：如果 AI 没按规矩写 XML，我们伪造一个报错，让它在下一轮改
print(" [Coder Warning] AI 未按 XML 格式输出代码！")
patch["error_message"] = "你没有使用 <code_block> 和 <test_block> 标签！请重新输出。"
patch["iteration_count"] = count + 1
return patchStep 4: 编写动态路由器 (Router) 与工具节点 (ToolNode)
这是图结构变迁的精髓：我们要在路由器里判断 AI 刚才交出的到底是"请假条（工具调用）"还是"最终成果（代码）"。
# ==========================================
# 4. 路由逻辑：AI 到底要干嘛？
# ==========================================
def route_after_coder(state: SkillsCreatorState) -> str:
"""根据 Coder 刚刚输出的 response，决定图的下一步走向"""
last_message = state["messages"][-1]
# 1. 检查有没有工具请求。如果有，去执行工具
if hasattr(last_message, "tool_calls") and last_message.tool_calls:
return "tools"
# 2. 如果没有工具请求，还要防呆检查：它输出有效代码了吗？
# （利用我们在 coder_node 里如果解析失败会生成 error_message 的逻辑）
if state.get("error_message") and "没有使用" in state.get("error_message"):
return "coder" # 格式错了，直接打回重写，不用去测了
# 3. 一切正常，去沙盒测试！
return "tester"
# ==========================================
# 5. 工具执行节点 (ToolNode)--->放到工具接入代码2了
# ==========================================
# ==========================================
# 全新的图流转逻辑定义
# ==========================================
# (假设 builder 已经添加了 planner, coder, tester, tools 节点)
# 【核心改变 1】：Coder 出口变成了条件路由
builder.add_conditional_edges(
"coder",
route_after_coder,
{
"tools": "tools", # 去查资料
"tester": "tester", # 去跑沙盒测试
"coder": "coder" # 格式错误，内循环重写
}
)
# 【核心改变 2】：Tools 执行完毕后，必须无条件回到 Coder！
builder.add_edge("tools", "coder")💡 核心机制剖析
仔细观察这段设计，你会发现它精妙地解决了我们之前讨论的矛盾：
- 动态解耦 ：我们在
coder_node里只负责调用llm.invoke，根本不在这里提取代码 。至于下一步去哪里，全权交给了路由器route_after_coder来判断。 - 双向奔赴的循环（Coder \\leftrightarrows Tools）：
如果 Coder 调用了工具，路由器把它发给 tools_node。
tools_node 执行完搜索，生成了 ToolMessage 存入 State。
然后，流转必须回到 Coder！ Coder 再次醒来，看到 messages 里多了一条带有搜索结果的 ToolMessage，它说："太好了，我知道怎么写了。" 于是它输出了带有 <code_block> 的文本，这一次，路由器就会把它送往 tester_node。
- XML 解析 ：在进入
tester_node之前（或者在tester_node内部的第一步），我们只需要用简单的正则表达式re.search(r'<code_block>(.*?)</code_block>', text)把代码挖出来塞给沙盒就可以了，这就彻底摆脱了Pydantic的格式报错束缚。