工具定义
以langgraph=1.1.10 为例，LangGraph可以接收裸函数或者带@tool修饰符的函数作为LLM可调用的工具。如下是让LLM做乘法的一个工具示例
python
@tool
def multiply(a: float, b: float) -> float:
"""Multiply a and b
Args:
a (float): The first number
b (float): The second number
"""
return a * b
此处 @tool可以没有。
LLM会通过描述和函数签名来感知其内容：
| 内容 | 感知结果 |
|---|---|
| 描述部分 | multiply a and b |
| 参数部分(Google Style) | 参数及其对应结果 |
| 函数签名 | 函数名称本身，即multiply |
可以得到类似如下的schema
json
{
"name": "multiply",
"description": "Multiply a and b",
"parameters": {
"type": "object",
"properties": {
"a": {
"type": "number",
"description": "The first number"
},
"b": {
"type": "number",
"description": "The second number"
}
},
"required": ["a", "b"]
}
}补充：可以用 help(func) 来观察 LLM 实际"看到"的工具描述，便于调试 docstring 的质量。
工具挂载
工具于LLM挂载
工具需要在两个位置挂载。
其一为LLM本身。该步骤目的为让LLM知道有哪些工具可以用。示例：
python
llm = ChatDeepSeek(
model="deepseek-v4-pro",
extra_body={"thinking": {"type": "disabled"}}
) # 如果是ReAct Agent，禁用思考模式
llm_with_tools = llm.bind_tools([multiply]) # 列表内填函数即可工具于条件边挂载
其二为图结构。在图结构中我们可以像一般的条件边一样手搓处理逻辑。Message相关类通常会含有如下两个参数：
content：会返回给用户的对话内容tool_calls：专门用于调用工具的内容 一般情况下，对话时AIMessage对象会往content内填充内容，tool_calls为空；而当调用工具时则反之。我们可以利用这一点来手搓一个判定逻辑。如下是一个触发了工具调用的AIMessage
json
AIMessage(
content='',
additional_kwargs={
'refusal': None,
'reasoning_content': 'The user wants me to multiply 123 by 11. I can use the multiply function for this.'},
response_metadata={
'token_usage': {
'completion_tokens': 81,
'prompt_tokens': 302,
'total_tokens': 383,
'completion_tokens_details': {
'accepted_prediction_tokens': None,
'audio_tokens': None,
'reasoning_tokens': 21,
'rejected_prediction_tokens': None
},
'prompt_tokens_details': {
'audio_tokens': None,
'cached_tokens': 256},
'prompt_cache_hit_tokens': 256,
'prompt_cache_miss_tokens': 46
},
'model_provider': 'deepseek',
'model_name': 'deepseek-v4-pro',
'system_fingerprint': 'fp_9954b31ca7_prod0820_fp8_kvcache_20260402',
'id': 'd11f4bf3-acbd-4f0a-a376-86cd144b6c29',
'finish_reason': 'tool_calls',
'logprobs': None
},
id='lc_run--019e1f82-fe07-7fe2-8361-a4dc2d81b326-0',
tool_calls=[{'name': 'multiply', 'args': {'a': 123, 'b': 11}, 'id': 'call_00_jBsUEskW1HEvJVMgSusb2317', 'type': 'tool_call'}],
invalid_tool_calls=[],
usage_metadata={
'input_tokens': 302,
'output_tokens': 81,
'total_tokens': 383,
'input_token_details': {'cache_read': 256},
'output_token_details': {'reasoning': 21}})具体的轮子此处略，找到tool_calls并判定即可
除了人为手工编写，还可以使用LangGraph内置的ToolNode和tools_condition来便捷处理这个过程。
其中：
ToolNode用于封装工具节点（可以内涵多个工具以形成组），流入该节点后自动执行相关函数并返回结果tools_condition表明是否调用工具并决定终止条件。即：1) 若调用工具，默认牵引向命名为tools的节点；2）若无，则流向END
如下是向图挂载工具节点的一个示例代码，该步骤向工作流实际提供了工具，并使用add_conditional_edges来自动处理是否调用工具的判断：
python
builder = StateGraph(MessagesState)
builder.add_conditional_edges(
"assistant",
tools_condition
)需要注意的是，模型是否具有Tool Use的SFT将影响图的.invoke操作，具体处理方案内置于各个langchain社区包中，如langchain-deepseek，langchain-openai和langchain-anthropic等具有SFT的模型会直接调用对应供应商的接口来得到格式化输出
flowchart TD
A[AIMessage]
B{tools_condition}
C[ToolNode]
D["END(亦作 __end__)"]
A --> B
B --需要工具调用-->C
B --无需工具调用-->D
补充：ToolNode 只负责执行工具并返回 ToolMessage，不会对结果做任何总结或处理。如需对工具结果做进一步总结，须在 ToolNode 之后再添加专门的节点，不应将总结逻辑混入工具节点。
Router：单次工具调用
Router 是最简单的工具调用图：LLM 决定是否调用工具，调用一次后即结束，不循环回 LLM。适用于"查一次就够"的场景。
flowchart TD
A["START(__start__)"]
B["tool_calling_llm"]
C["tools(ToolNode)"]
D["END(__end__)"]
A --> B
B -.需要工具调用.-> C
C --> D
B -.无需工具调用.-> D
python
from langgraph.graph import StateGraph, START, END, MessagesState
from langgraph.prebuilt import ToolNode, tools_condition
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_node("tools", ToolNode([multiply]))
builder.add_edge(START, "tool_calling_llm")
builder.add_conditional_edges(
"tool_calling_llm",
tools_condition
)
builder.add_edge("tools", END) # 工具执行后直接结束，不回流
graph = builder.compile()不触发工具时（如打招呼），LLM 直接走到 END，ToolNode 不会被执行。
Router 与 ReAct 的核心区别在于 tools 之后的边：Router 直接连向 END，ReAct 则回流到 assistant 形成循环。
完整ReAct示例
以如下的ReAct结构为例：
flowchart TD
A["START(__start__)"]
B["assistant"]
C["tools(ToolNode)"]
D["END(__end__)"]
A --> B
B -.需要工具调用 .-> C
C --结果回传 -->B
B -.无需工具调用 .-> D
其中ReAct的三个步骤为：
- Reason: assistant节点，LLM直接根据提示词决定是否调用工具
- Act: 循环调用工具
- Observe: 工具结果重新进入messages，LLM可以读取
ReAct 的终止条件为 LLM 不再发出工具调用，本质上等同于用提示词控制 Agent 的行为。此外，也可以在 .invoke 时套上最大执行次数的限制作为兜底：
python
react_graph.invoke(
{"messages": messages},
config={"recursion_limit": 25} # 默认值为 25
)定义如下的函数以供备用：
python
from langchain_core.tools import tool
@tool
def multiply(a: float, b: float) -> float:
"""Multiply a and b
Args:
a: first number
b: second number
"""
return a * b
@tool
def add(a: float, b: float) -> float:
"""Add a and b
Args:
a: first nunmber
b: second number
"""
return a + b
@tool
def divide(a: float, b: float) -> float:
"""
Divide a and b
Args:
a: first number
b: second number
"""
return a / b定义LLM，并挂载工具
python
from langchain_deepseek import ChatDeepSeek
tools = [add, multiply, divide]
# 禁用思考模式，降低实现难度
# DeepSeek的思考内容必须回传，需要手动处理相关逻辑，社区SDK存在问题
# 补充：截止转录至稀土掘金（2026.06.01），这个Bug仍然没有被修复
llm = ChatDeepSeek(
model="deepseek-v4-pro",
extra_body={"thinking": {"type": "disabled"}}
)
llm_with_tools = llm.bind_tools(tools)定义assistant节点
python
from langgraph.graph import MessagesState
from langchain_core.messages import HumanMessage, SystemMessage
system_message = SystemMessage(
content="You are a helpful assistant tasked with performing arithmetic on a set of inputs"
)
def assistant(state: MessagesState):
return {"messages": [llm_with_tools.invoke([system_message] + state["messages"])]}开始构建图结构
python
from langgraph.graph import START, StateGraph
from langgraph.prebuilt import (
tools_condition, ToolNode
)
builder = StateGraph(MessagesState)
builder.add_node("assistant", assistant)
builder.add_node("tools", ToolNode(tools))
builder.add_edge(START, "assistant")
builder.add_conditional_edges(
"assistant",
tools_condition
)
builder.add_edge("tools", "assistant")
react_graph = builder.compile()此时Agent可用，此处通过初始图状态的形式传入指令开始任务：
python
messages = [
HumanMessage(content="Add 3 and 24. Multiply the output by 6. Divide the output by 3")
]
messages = react_graph.invoke({"messages": messages})
for m in messages["messages"]:
m.pretty_print()如下是代码的一次运行结果：
text
================================ Human Message =================================
Add 3 and 24. Multiply the output by 6. Divide the output by 3
================================== Ai Message ==================================
I'll solve this step by step.
**Step 1: Add 3 and 24**
Tool Calls:
add (call_00_Gya1KfjUxr6oUIBcvOfB3366)
Call ID: call_00_Gya1KfjUxr6oUIBcvOfB3366
Args:
a: 3
b: 24
================================= Tool Message =================================
Name: add
27.0
================================== Ai Message ==================================
**Step 2: Multiply the output (27) by 6**
Tool Calls:
multiply (call_00_0fGnLRmOSOJeoNYRWSHQ4452)
Call ID: call_00_0fGnLRmOSOJeoNYRWSHQ4452
Args:
a: 27
b: 6
================================= Tool Message =================================
Name: multiply
162.0
================================== Ai Message ==================================
**Step 3: Divide the output (162) by 3**
Tool Calls:
divide (call_00_7Jj0pz0tSkqQKGtfi4591545)
Call ID: call_00_7Jj0pz0tSkqQKGtfi4591545
Args:
a: 162
b: 3
================================= Tool Message =================================
Name: divide
54.0
================================== Ai Message ==================================
Here's the summary:
- 3 + 24 = **27**
- 27 × 6 = **162**
- 162 ÷ 3 = **54**
The final result is **54**.