工具调用

📚 学习目标

学完这篇文章后，你将能够：

定义可被 LLM 识别的工具（基于 Zod Schema）
将工具绑定到 LLM 模型
使用 ToolNode 和条件边自动执行工具调用

前置知识

在开始学习之前，建议先阅读：

01-react-architecture

1 什么是工具调用？

工具调用（Function Calling）是现代 LLM（如 GPT-4, Claude 3）的核心能力。它允许模型：

识别用户意图需要使用工具。
生成符合工具 Schema 的参数。
暂停生成，等待外部运行工具。
接收工具运行结果，由于 Context 得到增强，模型能生成最终回答。

在 LangGraph 中，这对应 ReAct 循环。

2 定义工具

我们使用 @langchain/core/tools 中的 tool 函数。

import { tool } from "@langchain/core/tools";
import { z } from "zod";

const weatherTool = tool(
  async ({ city }) => {
    // 模拟 API 调用
    if (city === "Shanghai") return "Sunny, 25°C";
    return "Unknown city";
  },
  {
    name: "get_weather",
    description: "Get current weather for a city",
    schema: z.object({
      city: z.string().describe("The city name, e.g. Shanghai"),
    }),
  }
);

代码解析：

name/description 不是“装饰品”，它们会直接影响模型是否愿意调用、以及怎么调用。
schema 越清晰，模型越不容易编造字段或传错类型。

3 设计一个“好用”的工具 Schema

一个常见误区是把工具参数设计得太自由，导致模型每次传参风格都不同。

✅ 推荐：

参数字段少而清晰（能拆就拆）
describe() 写清楚示例与约束
输出尽量结构化（JSON），而不是长自然语言

例如，把“搜索工具”设计为结构化输出：

const searchDocs = tool(
  async ({ query, topK }) => {
    return {
      query,
      hits: [
        { title: '...', url: '...', snippet: '...' },
      ],
    };
  },
  {
    name: 'search_docs',
    description: 'Search internal docs and return topK hits.',
    schema: z.object({
      query: z.string().min(1).describe('Search query'),
      topK: z.number().int().min(1).max(10).default(5),
    }),
  }
);

4 绑定到 LLM

模型必须知道有哪些工具可用。

import { ChatOpenAI } from "@langchain/openai";

const llm = new ChatOpenAI({ model: "gpt-4o" });
const llmWithTools = llm.bindTools([weatherTool]);

如果你有多个工具，直接都绑上去即可：

const llmWithTools = llm.bindTools([weatherTool, searchDocs]);

5 构建 Graph：ToolNode + 条件循环

LangGraph 提供了内置的 ToolNode 来简化工具执行。

import { ToolNode } from "@langchain/langgraph/prebuilt";
import { StateGraph, START, END } from "@langchain/langgraph";
import { MessagesAnnotation } from "@langchain/langgraph";

// 1. 定义节点
const agentNode = async (state) => {
  const { messages } = state;
  // 调用绑定了工具的 LLM
  const response = await llmWithTools.invoke(messages);
  return { messages: [response] };
};

const toolNode = new ToolNode([weatherTool]);

// 2. 定义条件路由
const shouldContinue = (state) => {
  const lastMessage = state.messages.at(-1);
  // 如果 LLM 想要调用工具，转到 'tools' 节点
  if (lastMessage.tool_calls?.length) {
    return "tools";
  }
  return END;
};

// 3. 组装 Graph
const app = new StateGraph(MessagesAnnotation)
  .addNode("agent", agentNode)
  .addNode("tools", toolNode)
  .addEdge(START, "agent")
  .addConditionalEdges("agent", shouldContinue)
  .addEdge("tools", "agent") // 工具执行后回到 agent
  .compile();

[!TIP] 这段循环结构一旦连上了 tools -> agent，就应该在调用 invoke/stream 时设置 recursionLimit，防止“无限调用工具”。

6 MCP (Model Context Protocol)

MCP 是 Anthropic 提出的一个开放标准，旨在标准化工具的定义和连接。LangGraph 支持通过适配器连接 MCP 服务器。

// 伪代码示例
import { MultiServerMCPClient } from "@langchain/mcp-adapters";

const client = new MultiServerMCPClient({ ... });
const mcpTools = await client.getTools();
// 像普通工具一样使用
const llmWithMCP = llm.bindTools(mcpTools);

你可以把 MCP 理解为“工具生态的统一接口”：

你不需要为每一种工具都写一套绑定逻辑
工具提供方按协议暴露能力，你只需要拉取工具清单并绑定到模型

💡 练习题

实战题：编写一个 calculator 工具，支持加减乘除。将其集成到一个 Agent 中，测试问它是 "33 * 44 等于多少"。

点击查看答案
核心是定义一个带参数校验的 calculator tool，并在 Agent 节点绑定该工具后让模型决定是否调用。测试 "33 * 44" 时应触发工具调用并返回 1452，最后答案里可同时给出计算过程与结果。
工程题：给 weatherTool 加超时（例如 3s）和失败降级：如果失败，返回 "天气服务暂不可用"，并让模型在最终回答中说明原因。

点击查看答案
可用 Promise.race 包装 3 秒超时，异常统一捕获并返回固定兜底文案。同时在 tool 返回结构里加 errorReason 字段，让模型在最终回复中明确说明“数据因超时/服务故障不可用”。

✅ 总结

本章要点：

Schema：清晰的 Zod 定义是 LLM 正确调用工具的关键。
ToolNode：LangGraph 内置的 ToolNode 帮你处理了参数解析和结果回传。
Cycle：Agent -> Tools -> Agent 是最经典的循环。

下一步：如何保存应用状态，实现“断点续传”？学习持久化。

登录以继续阅读

解锁完整文档、代码示例及更多高级功能。

立即登录

工具调用

登录以继续阅读

On this page