摘要：工具使用（Tool Use，常以 Function Calling 实现）让智能体突破纯文本生成，能够按需调用外部能力——查信息、算数据、调 API、执行代码等。本文说明该模式的动机、典型流程，以及如何用 LangGraph 的状态图 + Agent 节点 + 条件边 + ToolNode 实现一个可多步调用工具的研究助理，配套示例包含信息检索、股价查询与数学计算三类工具。

关键词：工具使用；Tool Use；Function Calling；LangGraph；ToolNode；bind_tools；状态图；条件边

配套代码目录：LangGraph 5. Tool Use 源代码

---

1 为什么需要「工具使用」？

前几章我们已经见过：链式（Chaining） 按顺序执行步骤，路由（Routing） 按条件选路径，并行（Parallelization） 同时跑多条分支，反思（Reflection） 通过「生成 → 评审 → 修订」提升质量。但所有这些都建立在「模型根据已有上下文生成文本」的基础上。大模型的知识来自训练数据，无法直接访问实时天气、数据库、计算器或外部 API；若没有与外部世界的接口，智能体就无法完成「查一下伦敦现在几度」「算 100 股 AAPL 市值」这类需要即时数据或确定计算的任务。

工具使用（Tool Use） 就是在智能体中引入可调用的外部能力：把「查天气」「查股价」「算表达式」等封装成工具，用名称、描述和参数告诉模型；模型根据用户问题决定是否调用、调用哪个、传什么参数；框架负责执行工具并把结果塞回对话，模型再据此生成最终回复。这样，智能体就从「只会说」变成「能查、能算、能动手」，真正与外部系统协作。

💡 理解要点：Tool Use = 给模型一双“手”：模型负责「想」（何时用、用哪个、传啥），执行层负责「做」（真正跑函数/API），结果再回馈给模型做总结或下一步决策。

---

2 工具使用在解决什么问题？

想象这些场景：

• 信息检索：用户问「法国首都是哪？」「伦敦天气怎么样？」——模型训练数据里虽有答案，但若希望统一走“查一查”的流程（例如对接真实搜索或知识库），就需要一个「查信息」工具，由模型决定查询词并解析结果。
• 数据 + 计算：用户问「AAPL 现在多少钱？我持有 100 股，总市值多少？」——需要先查股价（外部数据），再算 价格 × 100（精确计算）。模型不擅长精确算术，且股价实时变化，必须通过「股价工具 + 计算工具」两步完成。
• 执行代码：用户给一段 Python 问「这段代码输出啥？」——需要在沙箱里执行代码并把输出返回给模型，再由模型解释。这同样依赖「代码执行」这一外部能力。

工具使用模式把「该不该用外部能力」和「用哪个、传什么」交给模型，把「真正执行」交给框架与工具实现。这样既保留了自然语言交互的灵活性，又补上了实时性、精确性与可执行性的短板。

🔍 实际例子：就像你问助理「明天北京飞上海的早班机有哪些？」——助理不会「硬想」，而是去查航班系统（工具），把结果拿回来再组织成你能听懂的回复。Tool Use 就是给 LLM 配好这样的「可查、可算、可执行」的接口。

---

3 工具使用的典型流程

工具使用通常包含以下步骤（可循环多轮）：

1. 工具定义（Tool Definition）：将外部能力封装成「工具」，并给出模型能理解的名称、描述和参数（含类型与说明）。在 LangChain/LangGraph 中常用 @tool 装饰器，模型会看到函数的 docstring 与参数 schema。
2. 模型决策（LLM Decision）：模型收到用户请求与工具列表后，判断是否需要调用工具；若需要，则选择工具并从自然语言中抽取参数（如地点、股票代码、数学式子）。
3. 工具调用生成（Function Call Generation）：模型输出结构化请求（如 JSON），包含工具名与参数。支持 Function Calling 的接口会直接返回 tool_calls 列表，由框架解析。
4. 工具执行（Tool Execution）：框架根据 tool_calls 找到对应工具、传入参数并执行，得到返回值（字符串或可序列化结果）。
5. 观察/结果（Observation）：执行结果被包装成 ToolMessage（或等价结构），追加到对话历史中，作为「工具返回」的上下文。
6. 模型再处理（Optional）：模型看到用户问题 + 自己之前的 tool_calls + 工具结果，决定是再调其他工具（多步）还是生成最终回复给用户。

在多步场景下，步骤 3～6 会重复，直到模型不再发起 tool_calls，而是直接输出面向用户的回答。

💡 理解要点：「想」和「做」分离——模型只负责「想」（选工具、填参数），执行与结果回传由框架和工具完成；LangGraph 的 ToolNode 就是「做」的那一环，条件边根据「有没有 tool_calls」决定是继续执行工具还是结束。

---

4 常见应用场景

场景	典型工具	收益
信息检索	搜索 API、知识库查询、天气 API	获取训练数据外或实时信息
数据库与 API	查库存、订单状态、支付接口	与业务系统联动，完成查询或操作
计算与数据分析	计算器、公式求值、统计/表格	精确计算、避免模型算术错误
发送通信	发邮件、发消息、通知	触发真实世界动作
执行代码	沙箱代码执行、Notebook 内核	运行用户代码并解释结果
控制设备/系统	智能家居、IoT、工作流触发	与物理世界或其他系统交互

工具使用是智能体从「纯对话」走向「可感知、可推理、可行动」的基础能力；与 Chaining、Routing、Reflection 等组合后，可以构建出非常强大的多步、多角色工作流。

---

5 LangGraph 中的工具使用：状态图 + Agent + 条件边 + ToolNode

LangGraph 用状态图描述「用户消息 → 模型（可能带 tool_calls）→ 按需执行工具 → 结果回传模型 → 直至无 tool_calls 结束」的流程：节点对应「模型推理」与「工具执行」，条件边根据最后一条消息是否包含 tool_calls 决定下一跳。

• 状态（State）：图中流转的共享数据。工具调用场景下通常包含 消息列表 messages（HumanMessage、AIMessage、ToolMessage），且使用 add_messages 归约：新消息追加而非覆盖，便于多轮对话与多步工具调用。
• Agent 节点：将「系统提示 + 当前消息列表」送入 已绑定工具的 LLM（llm.bind_tools(tools)）。LLM 返回的 AIMessage 可能带 tool_calls，表示本轮要调用的工具及参数。
• 条件边：若最后一条消息存在 tool_calls，则进入 工具节点；否则进入 END，表示模型已给出最终回复。
• 工具节点（ToolNode）：LangGraph 预构建的 ToolNode(tools) 会读取状态中最后一条 AIMessage 的 tool_calls，依次执行对应工具，将每个结果封装为 ToolMessage 并追加到 messages，然后通常回到 Agent 节点，让模型根据工具结果继续推理或生成回复。

这样就把「谁在什么时候调用模型、谁在什么时候执行工具、何时停止」都固化在图结构里，便于维护和扩展。

---

6 配套代码结构概览

本示例实现一个研究助理：具备信息检索（模拟）、股票价格查询（模拟）与数学表达式计算三类工具，可回答「法国首都是哪」「伦敦天气」「AAPL 股价及 100 股市值」等问题。运行方式见 demo_codes/README.md。

6.1 状态定义

图的状态仅包含消息列表，并使用 add_messages 归约，使每条新消息（AIMessage、ToolMessage）都追加到列表末尾（注意，不是覆盖，而是像List那样，新的消息会append在之前消息的后面）：

# 摘自 demo_codes/tool_use_graph.py
from typing import Annotated
from langgraph.graph.message import add_messages

class ToolUseState(TypedDict):
    messages: Annotated[list[BaseMessage], add_messages]

6.2 工具定义（tools.py）

使用 LangChain 的 @tool 装饰器，让普通函数变成模型可见、可调用的工具；docstring 与参数会作为「工具描述」传给模型：

# 摘自 demo_codes/tools.py
from langchain_core.tools import tool

@tool
def search_information(query: str) -> str:
    """根据给定主题检索事实性信息。适用于诸如「法国首都是哪」「伦敦天气如何」等查询。"""
    # ... 模拟检索逻辑，返回字符串

@tool
def get_stock_price(ticker: str) -> float:
    """查询指定股票代码的最新（模拟）价格。输入为股票代码，如 AAPL、GOOGL。"""
    # ... 模拟价格字典，无效代码抛 ValueError

@tool
def calculate_expression(expression: str) -> str:
    """计算一个数学表达式的值。仅支持基本运算：+、-、*、/、**、括号。"""
    # ... 安全 eval，仅允许数字与运算符

💡 理解要点：工具描述（docstring + 参数名/类型）是模型「选工具、填参数」的主要依据，写清楚用途和参数含义能显著提高调用准确率。

6.3 Agent 节点与 bind_tools

Agent 节点负责：在消息列表前注入系统提示（研究助理 + 工具使用规范），然后调用 llm.bind_tools(tools) 得到的可调用模型；返回的 AIMessage 可能带 tool_calls，由条件边决定是否进入 ToolNode：

def _agent_node(state: ToolUseState) -> dict:
    """
    Agent 节点：将系统提示与历史消息送入已绑定工具的 LLM，
    返回 AIMessage（可能包含 tool_calls）。
    """
    if STEP_VERBOSE:
        logger.info("[Agent] 调用 LLM（已绑定工具）...")
    llm = _build_llm()
    tools = get_all_tools()
    llm_with_tools = llm.bind_tools(tools)
    messages = state["messages"]
    # 若首条不是系统消息，则前置系统提示
    if not messages or not isinstance(messages[0], SystemMessage):
        messages = [SystemMessage(content=SYSTEM_PROMPT)] + list(messages)
    response = llm_with_tools.invoke(messages)
    if STEP_VERBOSE:
        if hasattr(response, "tool_calls") and response.tool_calls:
            for tc in response.tool_calls:
                name = tc.get("name", "?") if isinstance(tc, dict) else getattr(tc, "name", "?")
                args = tc.get("args", {}) if isinstance(tc, dict) else getattr(tc, "args", {})
                logger.info("[Agent] 本轮输出: 工具调用 %s(%s)", name, args)
        else:
            content_preview = (getattr(response, "content", None) or "")[:150]
            if len(str(getattr(response, "content", "") or "")) > 150:
                content_preview += "..."
            logger.info("[Agent] 本轮输出: 最终回复（无 tool_calls）: %s", content_preview)
    return {"messages": [response]}

🔍 实际例子：用户问「AAPL 股价多少？100 股总市值多少？」时，模型可能先输出 tool_calls: [get_stock_price("AAPL")]；ToolNode 执行后把价格（如 178.15）以 ToolMessage 形式追加；模型再次被调用时看到「用户问题 + 自己之前的 tool_calls + 工具返回 178.15」，再决定调用 calculate_expression("178.15 * 100")，最后用两次工具结果组织成一句回复。

6.4 条件边：是否有 tool_calls

路由函数检查最后一条消息是否为带 tool_calls 的 AIMessage：是的话，则进入 tools 节点，否则结束：

def _should_continue(state: ToolUseState) -> Literal["tools", "__end__"]:
    """
    条件边：若最后一条为 AIMessage 且含 tool_calls，则进入工具节点；否则结束。
    """
    messages = state["messages"]
    if not messages:
        if STEP_VERBOSE:
            logger.info("[路由] 无消息，结束。")
        return "__end__"
    last = messages[-1]
    if hasattr(last, "tool_calls") and last.tool_calls:
        if STEP_VERBOSE:
            logger.info("[路由] 进入工具节点（本轮回调 %s 个工具）", len(last.tool_calls))
        return "tools"
    if STEP_VERBOSE:
        logger.info("[路由] 结束，返回最终回复。")
    return "__end__"

6.5 图构建

将 Agent 节点、ToolNode、START、END 与条件边、工具→Agent 的边组装成图并编译：

# 摘自 demo_codes/tool_use_graph.py
def build_tool_use_graph():
    tools = get_all_tools()
    tool_node = ToolNode(tools, name="tools")
    workflow = StateGraph(ToolUseState)
    workflow.add_node("agent", _agent_node)
    workflow.add_node("tools", tool_node)
    workflow.add_edge(START, "agent")
    workflow.add_conditional_edges("agent", _should_continue, {"tools": "tools", "__end__": END})
    workflow.add_edge("tools", "agent")
    return workflow.compile()

完整实现（含系统提示、配置与入口）见源代码中 demo_codes/tool_use_graph.py、demo_codes/main.py、demo_codes/tools.py 与 demo_codes/prompt.py。

最后，我们举个例子，看看输出日志中整个数据流是怎么运转的。比如，用户问了一个问题：“苹果公司股票 AAPL 的当前（模拟）股价是多少？如果我持有 100 股，总市值大约多少？请先查股价再计算。”

日志显示：

2026-03-12 15:19:21 [INFO] tool_use: [Agent] 调用 LLM（已绑定工具）...
问题: 苹果公司股票 AAPL 的当前（模拟）股价是多少？如果我持有 100 股，总市值大约多少？请先查股价再计算。
2026-03-12 15:19:22 [INFO] tool_use: [Agent] 本轮输出: 工具调用 get_stock_price({'ticker': 'AAPL'})
2026-03-12 15:19:22 [INFO] tool_use: [路由] 进入工具节点（本轮回调 1 个工具）
2026-03-12 15:19:22 [INFO] tool_use: [Tools] 执行工具: get_stock_price({'ticker': 'AAPL'})
2026-03-12 15:19:22 [INFO] tool_use: [Tools] 工具 get_stock_price 返回: 178.15
2026-03-12 15:19:22 [INFO] tool_use: [Agent] 调用 LLM（已绑定工具）...
2026-03-12 15:19:23 [INFO] tool_use: [Agent] 本轮输出: 工具调用 calculate_expression({'expression': '178.15 * 100'})
2026-03-12 15:19:23 [INFO] tool_use: [路由] 进入工具节点（本轮回调 1 个工具）
2026-03-12 15:19:23 [INFO] tool_use: [Tools] 执行工具: calculate_expression({'expression': '178.15 * 100'})
2026-03-12 15:19:23 [INFO] tool_use: [Tools] 工具 calculate_expression 返回: 17815.0
2026-03-12 15:19:23 [INFO] tool_use: [Agent] 调用 LLM（已绑定工具）...
2026-03-12 15:19:24 [INFO] tool_use: [Agent] 本轮输出: 最终回复（无 tool_calls）: 苹果公司（AAPL）当前（模拟）股价为 **178.15 美元**。  
若您持有 100 股，则总市值约为 **17,815.00 美元**。
2026-03-12 15:19:24 [INFO] tool_use: [路由] 结束，返回最终回复。
回复: 苹果公司（AAPL）当前（模拟）股价为 **178.15 美元**。  
若您持有 100 股，则总市值约为 **17,815.00 美元**。

---

7 小结与延伸

• 工具使用（Tool Use / Function Calling） 让智能体能够按需调用外部能力，获取实时数据、执行精确计算或触发外部系统，是构建「可感知、可推理、可行动」智能体的基础模式。
• 流程上：工具定义 → 模型决策与生成 tool_calls → 框架执行工具 → 结果回传 → 模型再推理或回复，多步时可循环直至模型不再发起调用。
• 在 LangGraph 中：状态用带 add_messages 的 messages 承载对话与工具结果；Agent 节点使用 bind_tools 绑定工具并产生可能带 tool_calls 的 AIMessage；条件边根据是否有 tool_calls 决定进入 ToolNode 或 END；ToolNode 执行工具并追加 ToolMessage，再回到 Agent，结构清晰、易于扩展。
• 工具描述（docstring + 参数）和系统提示中的「何时用哪个工具」会显著影响模型行为，建议写清用途与示例。
• 若需多轮对话记忆，可引入 checkpointer（如 MemorySaver），让同一会话的多次 invoke 共享消息历史；若需更复杂的编排（如先路由再工具、多智能体分工），可在现有图上增加节点与条件边，或与 Reflection、Parallelization 等模式组合。