[LangChain] 学习笔记（08）：工具调用底层闭环与第三方搜索（Tavily）实战

📌 核心结论（TL;DR）

1. 底层闭环 ：大模型不直接执行代码。工具调用的本质是模型返回包含参数的 tool_calls（JSON），开发者本地执行后，将结果包装为 ToolMessage 再次发给模型。

2. 第三方生态 ：无需手搓所有工具，LangChain 生态提供了如 TavilySearch 等现成的联网搜索工具，直接 bind_tools 即可突破大模型的知识时间限制。

3. 状态追加 ：在二次调用模型生成最终答案前，必须 将模型发出的 ai_msg 和工具返回的 tool_msg 追加到 messages 历史中，否则模型会陷入死循环。

🔍 一、 原理图解与核心概念

1. 工具调用的协作流

• Human：用户提问

• AI ：返回 tool_calls（发起请求）

• Tool ：开发者本地执行函数，生成 ToolMessage（返回结果）

• AI：收到结果，生成最终自然语言答复。

2. 实时数据的破局之道

大模型有训练截止日期，无法获取最新资讯。引入 TavilySearch 工具后，大模型会判断是否需要联网，并自动生成搜索关键词。

💻 二、 精选核心代码片段

1. 工具调用的底层闭环（手动执行）

# 基于 test_18_tool_binding.py 的核心逻辑
messages = [HumanMessage("2乘3等于多少？")]
ai_msg = model_with_tools.invoke(messages)
messages.append(ai_msg)

# 手动执行工具
tools_map = {"multiply": multiply, "add": add}
for tool_call in ai_msg.tool_calls:
    selected_tool = tools_map[tool_call["name"]]
    tool_msg = selected_tool.invoke(tool_call)
    messages.append(tool_msg)

final_result = model_with_tools.invoke(messages)

2. 第三方联网搜索工具（Tavily）

from langchain_tavily import TavilySearch

tool = TavilySearch(max_results=4) 
model_with_tools = model.bind_tools([tool])

messages = [HumanMessage("最近人工智能有什么最新新闻？")]

# 1. 模型决策
ai_msg = model_with_tools.invoke(messages)
messages.append(ai_msg)

# 2. 执行搜索
for tool_call in ai_msg.tool_calls:
    tool_message = tool.invoke(tool_call)
    messages.append(tool_message)

# 3. 模型总结
print(model_with_tools.invoke(messages).content)

(完整的 test_18 闭环代码与 test_20 搜索实战代码已上传至 Gitee 仓库)

⚠️ 三、 踩坑排查排雷

1. 报错 Invalid tool_call_id ：二次请求时，忘记将 ai_msg 和 tool_msg 放入 messages 历史中。大模型看不到结果，会反复要求调用。

2. Tavily 网络超时 ：Tavily 服务器在海外。排查：请检查网络代理配置，或在代码中设置环境变量。

3. 模型不调用搜索工具：如果提问的问题过于简单（如"1+1"），模型会自己回答，不调用搜索。这是正常的模型自主决策。