1. HumanMessage：用户身份的消息载体

核心功能:

专门用于包装用户发送的输入内容，向 LangChain 和 LLM 明确传递 “这条消息来自人类用户，是需要响应或处理的需求”。它是对话的 “需求起点”，所有后续的 LLM 思考、工具调用，本质都是为了回应用户通过 HumanMessage 提出的问题或指令。

关键特性:

(1)角色唯一：仅代表 “人类用户”，无其他身份含义。
(2)内容类型：用户的自然语言输入（如问题、指令、补充说明），例如 “帮我查北京明天的天气”
(3)使用场景：
对话初始化时，将用户的第一个查询包装成 HumanMessage 传入 LangChain 对话链（如 ConversationChain）；多轮对话中，用户的每一次追问、补充信息，都需用 HumanMessage 包装后追加到 chat_history 数组

        tools = [add, subtract, multiply]#可以自己定义简单函数，这里仅作参考
		llm_with_tools = llm.bind_tools(tools)
		query = "What is 3 + 2?"
		chat_history = [HumanMessage(content=query)]
		response_1 = llm_with_tools.invoke(chat_history)
		chat_history.append(response_1)

2.AiMessage:输出载体

功能

AIMessage 的本质是为 LLM 生成的内容打上 “AI 角色标签”，向 LangChain 框架、外部工具及后续对话流程明确传递：“这条消息由大语言模型生成“ ，它response的内容可能包括对用户需求的直接回答，也可能包含需要触发的工具，以及需要的参数，指令等内容。它解决了 “如何让系统识别‘AI 输出内容’” 的核心问题 —— 若没有 AIMessage 包装，LLM 生成的文本会与用户输入、工具结果混淆，导致对话逻辑断裂（如模型无法追溯自己之前的输出，重复回答或忽略上下文）。

tool_calls_1 = response_1.tool_calls
#llm会判断出tools列表需要使用的工具
tool_1_name = tool_calls_1[0]["name"]
#获取格式化后的参数信息，比如把一句话里的参数经过llm变为字典格式，以便工具调用
tool_1_args = tool_calls_1[0]["args"]
tool_call_1_id = tool_calls_1[0]["id"]

3. ToolMessage：工具身份的结果 / 反馈载体

核心功能

专门用于包装工具（如 API、数据库、计算器等）的输出结果或状态反馈，向 LangChain 和 LLM 明确传递 “这条消息来自工具，是对之前工具调用请求的响应”。它是 “LLM 调用工具” 流程的关键环节。LLM 先生成工具调用指令，工具执行后将结果用 ToolMessage 包装回传，LLM 再基于此结果整理成用户能理解的回答。

关键特性

(1)角色:仅代表 “工具”，传递工具的执行结果（成功数据、错误提示等）。
(2)内容类型：工具的结构化 / 非结构化输出，例如：API 返回的 JSON 数据（如天气 API 返回的 {"city":"北京","temp":25,"weather":"晴"}）；数据库查询的表格结果；工具执行失败的提示（如 “API 密钥无效，无法获取数据”）。
(3)关联属性：通常需要携带 tool_call_id—— 与 LLM 之前生成的 “工具调用请求”（如 ToolCall 对象）绑定，确保 LLM 能识别 “这是哪个调用的返回结果”（避免多工具调用时结果混淆）。
(4)使用场景:
   LLM 判断需要调用工具（如 “查天气需调用天气 API”），生成工具调用指令后，工具执行完毕，将结果用 ToolMessage 包装并追加到 chat_history；
   LLM 收到 ToolMessage 后，会分析工具结果是否满足用户需求：若满足，则整理成自然语言回答；若不满足（如数据不全），则可能生成新的工具调用指令，触发下一轮工具交互。

tool_map = {
    "add": add, 
    "subtract": subtract,
    "multiply": multiply
}


tool_response = tool_map[tool_1_name].invoke(tool_1_args)
tool_message = ToolMessage(content=tool_response, tool_call_id=tool_call_1_id)

#print(tool_message)
#保留上下文并查看先前的对话，以获得更好的对话体验。
chat_history.append(tool_message)

完整流程总结

class ToolCallingAgent:
    def __init__(self, llm):
        self.llm_with_tools = llm.bind_tools(tools)
        self.tool_map = tool_map

    def run(self, query: str) -> str:
        # Step 1: Initial user message
        chat_history = [HumanMessage(content=query)]

        # Step 2: LLM chooses tool
        response = self.llm_with_tools.invoke(chat_history)
        if not response.tool_calls:
            return response.contet # Direct response, no tool needed
        # Step 3: Handle first tool call
        tool_call = response.tool_calls[0]
        tool_name = tool_call["name"]
        tool_args = tool_call["args"]
        tool_call_id = tool_call["id"]

        # Step 4: Call tool manually
        tool_result = self.tool_map[tool_name].invoke(tool_args)

        # Step 5: Send result back to LLM
        tool_message = ToolMessage(content=str(tool_result), tool_call_id=tool_call_id)
        chat_history.extend([response, tool_message])

        # Step 6: Final LLM result
        final_response = self.llm_with_tools.invoke(chat_history)
        return final_response.content

调用测试

my_agent = ToolCallingAgent(llm)

print(my_agent.run("one plus 2"))

print(my_agent.run("one - 2"))

print(my_agent.run("three times two"))