Langgraph核心组件中的工具调用分为四步：定义工具、绑定工具、生成工具调用（2coin）和执行工具。通过拆解过程，用户可干预每个步骤，尤其在多智能体模式下，可加入人工节点检查调用准确性，提升工具使用的灵活性与控制力。

从工具执行流程图看

有以下四步：

第一步：使用@tool修饰符创建工具
第二步：绑定工具到模型（注意：并不是所有大模型都支持工具绑定）
第三步：工具调用：将自然语言转为正确的参数
第四步：工具执行：将工具执行并将结果传递给下一步

根据以上说明，下面根据这四步进行代码示例

第一步：工具定义

from langchain_core.tools import tool
from langgraph.prebuilt import ToolNode

@tool
def get_weather(location: str):
    """调用此函数获取当前天气。"""
    if location.lower() in ["北京", "深圳"]:
        return "现在是20度，有雾。"
    else:
        return "现在是10度，晴朗。"


@tool
def get_coolest_cities():
    """获取最冷城市列表"""
    return "北京，哈尔滨"

tools = [get_weather, get_coolest_cities]
tool_node = ToolNode(tools) # ToolNode是langgraph中运行工具的节点

langgraph提供了低层面的封装，可以直接手动执行工具

from langchain_core.messages import AIMessage

message_with_single_tool_call = AIMessage(
    content="",
    tool_calls=[
        {
            "name": "get_weather",
            "args": {"location": "北京"},
            "id": "tool_call_id",
            "type": "tool_call",
        }
    ],
)

tool_node.invoke({"messages": [message_with_single_tool_call]})

执行结果

1	{'messages': [ToolMessage(content='现在是20度，有雾。', name='get_weather', tool_call_id='tool_call_id')]}

第二步：工具绑定

from langchain_deepseek import ChatDeepSeek
import os


model_with_tools = ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    api_key=os.environ.get("DEEPSEEK_API_KEY"),
    base_url=os.environ.get("DEEPSEEK_API_BASE"),
).bind_tools(tools)

model_with_tools.invoke("深圳的天气如何?").tool_calls

第三步：工具调用

返回ToolMessage

1	tool_node.invoke({"messages": [model_with_tools.invoke("深圳的天气如何?")]})

执行结果

1	{'messages': [ToolMessage(content='现在是20度，有雾。', name='get_weather', tool_call_id='call_00_0vppp9Iy24ryGv9a89hsxVHk')]}

第四步：工具执行

在ReAct智能体中执行

from langgraph.graph import StateGraph, MessagesState, START, END


def should_continue(state: MessagesState):
    messages = state["messages"]
    last_message = messages[-1]
    if last_message.tool_calls:
        return "tools"
    return END


def call_model(state: MessagesState):
    messages = state["messages"]
    response = model_with_tools.invoke(messages)
    return {"messages": [response]}


workflow = StateGraph(MessagesState)

workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node) # Add the tool node to the graph

workflow.add_edge(START, "agent")
workflow.add_conditional_edges("agent", should_continue, ["tools", END])
workflow.add_edge("tools", "agent")

app = workflow.compile()

from IPython.display import Image, display

display(Image(app.get_graph().draw_mermaid_png()))

查看构成的图

执行

for chunk in app.stream(
    {"messages": [("human", "深圳的天气如何?")]}, stream_mode="values"
):
    chunk["messages"][-1].pretty_print()

执行结果

================================ Human Message =================================

深圳的天气如何?
================================== Ai Message ==================================

我来帮您查询深圳的天气情况。
Tool Calls:
  get_weather (call_00_a1KyKFbzutzxaD52Q9BHy4ep)
 Call ID: call_00_a1KyKFbzutzxaD52Q9BHy4ep
  Args:
    location: 深圳
================================= Tool Message =================================
Name: get_weather

现在是20度，有雾。
================================== Ai Message ==================================

根据查询结果，深圳目前的天气情况是：
- 温度：20°C
- 天气状况：有雾

这样的天气比较潮湿，建议您外出时注意安全，能见度可能较低。

Jean's Blog

LangGraph之工具调用

第一步：工具定义

第二步：工具绑定

第三步：工具调用

第四步：工具执行