LangGraph 入门实战(8)--绑定工具

LangGraph 实战：让大模型调用自定义工具

LangGraph 可以把大模型和 Python 函数组合成一个可循环的工作流。本文使用一个加法工具演示：用户提出"计算 33+66"，模型决定调用工具，工具返回结果后，模型再生成最终答案。

1. 安装与配置

bash 复制代码

python -m pip install -U langgraph langchain-deepseek
export DEEPSEEK_API_KEY="你的 DeepSeek API Key"

2. 完整代码

python 复制代码

import os

from langchain_core.messages import HumanMessage
from langchain_core.runnables.config import RunnableConfig
from langchain_core.tools import tool
from langchain_deepseek import ChatDeepSeek
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import END, START, MessagesState, StateGraph
from langgraph.prebuilt import ToolNode, tools_condition
from pydantic import SecretStr


# 初始化支持工具调用的聊天模型。
model = ChatDeepSeek(
    model="deepseek-v4-flash",
    temperature=0,
    base_url="https://api.deepseek.com",
    api_key=SecretStr(os.environ["DEEPSEEK_API_KEY"]),
)


@tool
def add(a: int, b: int) -> int:
    """计算两个整数的和"""
    return a + b


# 注册工具节点，并把工具描述绑定到模型。
tool_node = ToolNode([add])
model_add_tool = model.bind_tools([add])


def call_model(state: MessagesState):
    # 模型可以根据工具的名称、参数和说明决定是否调用工具。
    response = model_add_tool.invoke(state["messages"])
    return {"messages": response}


# 创建状态图：模型节点负责决策，工具节点负责执行。
builder = StateGraph(MessagesState)
builder.add_node("call_model", call_model)
builder.add_node("tools", tool_node)

# 图从模型节点开始。
builder.add_edge(START, "call_model")

# tools_condition 返回 "tools" 或 END。
builder.add_conditional_edges(
    "call_model",
    tools_condition,
    {"tools": "tools", END: END},
)

# 工具执行后，把工具结果交回模型生成最终回答。
builder.add_edge("tools", "call_model")

# MemorySaver 使用 thread_id 保存当前进程内的会话状态。
graph = builder.compile(checkpointer=MemorySaver())
config = RunnableConfig(configurable={"thread_id": "1"})

# values 模式返回完整状态，便于打印最新消息。
for state in graph.stream(
    {"messages": [HumanMessage(content="计算一下33+66是多少？")]},
    config=config,
    stream_mode="values",
):
    state["messages"][-1].pretty_print()

3. 工作流程

text 复制代码

START -> call_model -> tools -> call_model -> END
                         |
                         +-- 执行 add(33, 66)

图

@tool 把普通 Python 函数转换为模型可以调用的工具。
model.bind_tools([add]) 将工具描述发送给模型。
ToolNode 负责真正执行工具函数。
tools_condition 检查最新的 AI 消息是否包含工具调用。
stream_mode="values" 返回完整状态，因此可以读取 state["messages"]。

4. 典型输出

实际回答会因模型版本略有不同，典型输出如下：

text 复制代码

================================ Human Message =================================
计算一下33+66是多少？
================================== Ai Message ==================================
Tool Calls:
  add (a=33, b=66)
================================= Tool Message =================================
99
================================== Ai Message ==================================
33 + 66 = 99

MemorySaver 会根据 thread_id 保存当前进程内的对话状态，适合学习和测试。生产环境可以替换为 SQLite 或 PostgreSQL 检查点存储。