大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



作者：WangQiaomei版本：1.0（2026/3/16）

核心亮点：AI 自主分析问题→选择工具→执行操作→输出结果，告别 "只会嘴说不会动手" 的尴尬！

你是否遇到过：

• AI 能看懂数学题，但算不对复杂运算？
• AI 知道要查天气，却不会调用天气 API？
• AI 想分析数据，却不会用 Excel / 数据库工具？

LangGraph Agent 模式 完美解决这个问题：✅ 让 AI 拥有 "动手能力"，自主选择并调用工具完成任务✅ 支持多轮工具调用（比如先加法→再乘法）✅ 通用架构，换工具就能适配天气、股票、翻译等场景

本文以 "AI 自主计算数学题" 为例，手把手教你搭建能 "使用工具" 的智能体！

---

预览

查看代码

用户输入：(3 + 5) × 12 = ?

回到AI节点确认结果

需要工具吗？

执行add(3,5)=8 → multiply(8,12)=96

输出最终答案：96

 flowchart TD A["用户输入：(3 + 5) × 12 = ?"] --> B["llm_call（AI思考节点）"] B["分析问题，决定调用add+multiply工具"] --> C{需要工具吗？} C -->|✅ 是| D["tool_executor（工具执行节点）"] D["执行add(3,5)=8 → multiply(8,12)=96"] --> B["回到AI节点确认结果"] C -->|❌ 否| E["输出最终答案：96"] 

用户输入：(3 + 5) × 12 = ?

回到AI节点确认结果

需要工具吗？

执行add(3,5)=8 → multiply(8,12)=96

输出最终答案：96

工作流炸裂亮点

• 自主决策：AI 自己判断该用什么工具，无需人工指令
• 闭环迭代：工具执行完自动返回 AI 验证，确保结果正确
• 无限扩展：加减乘除只是开始，API / 数据库 / 爬虫都能接！

---

python

运行

GPT plus 代充 只需 145 # -*- coding: utf-8 -*- """ 作者：WangQiaomei 版本：1.0（2026/3/18） """ # ==================== 1. 定义AI可用的工具（核心！） ==================== # @tool装饰器：把普通函数变成AI能看懂、能调用的工具 @tool def multiply(a: int, b: int) -> int: """Multiply `a` and `b`. （AI靠这个描述理解工具用途） Args: a: First int b: Second int """ return a * b @tool def add(a: int, b: int) -> int: """Adds `a` and `b`. Args: a: First int b: Second int """ return a + b @tool def divide(a: int, b: int) -> float: """Divide `a` and `b`. Args: a: First int b: Second int """ return a / b # 把工具绑定到LLM，让AI知道"我有这些工具可用" tools = [add, multiply, divide] tools_by_name = {tool.name: tool for tool in tools} llm_with_tools = llm.bind_tools(tools) # 关键一步！ # ==================== 2. 定义全局状态 ==================== class State(TypedDict): # 消息列表自动累加，支撑多轮工具调用 messages: Annotated[list, operator.add] # ==================== 3. 核心节点函数 ==================== def llm_call(state: State): """AI思考节点：分析问题，决定调用哪个工具""" response = llm_with_tools.invoke(state["messages"]) return {"messages": [response]} def tool_executor(state: State): """工具执行节点：执行AI指定的工具调用""" last_message = state["messages"][-1] results = [] # 遍历AI要求调用的所有工具 for tool_call in last_message.tool_calls: tool_name = tool_call["name"] tool_args = tool_call["args"] # 找到工具并执行 tool_fn = tools_by_name[tool_name] result = tool_fn.invoke(tool_args) # 封装工具执行结果，让AI能识别 results.append(ToolMessage( content=str(result), tool_call_id=tool_call["id"] )) return {"messages": results} # ==================== 4. 条件路由：控制流程走向 ==================== def should_continue(state: State): """判断是否需要继续调用工具""" last_message = state["messages"][-1] # 没有工具调用请求 → 结束流程 if not last_message.tool_calls: return "end" # 有工具调用请求 → 执行工具 return "continue" # ==================== 5. 构建Agent工作流 ==================== agent_builder = StateGraph(State) # 添加核心节点 agent_builder.add_node("llm_call", llm_call) # AI思考 agent_builder.add_node("tool_executor", tool_executor) # 工具执行 # 配置流程走向 agent_builder.add_edge(START, "llm_call") # 开始 → AI思考 agent_builder.add_conditional_edges( "llm_call", should_continue, { "continue": "tool_executor", # 需要工具 → 执行工具 "end": END # 无需工具 → 结束 } ) agent_builder.add_edge("tool_executor", "llm_call") # 工具执行完 → 回到AI # 编译工作流 agent = agent_builder.compile() # 可视化工作流（可选，需要网络） try: display(Image(agent.get_graph().draw_mermaid_png())) except Exception as e: print(f"可视化失败（不影响运行）：{e}") # ==================== 6. 运行测试 ==================== if __name__ == "__main__": # 测试题：让AI自主计算 (3 + 5) × 12 question = "What is (3 + 5) * 12?" # 执行Agent result = agent.invoke({"messages": [HumanMessage(content=question)]}) # 输出结果 print(f" 问题：{question}") print(f" 答案：{result['messages'][-1].content}") 

---

1. @tool 装饰器：AI 工具的 "身份证"

python

运行

 @tool def add(a: int, b: int) -> int: """Adds `a` and `b`.（AI靠这个注释理解工具用途）""" return a + b 

• ✨ 作用：把普通 Python 函数标记为 AI 可调用工具
• ✨ 关键：函数注释必须清晰，AI 靠这个判断该什么时候用这个工具

2. llm.bind_tools (tools)：给 AI"装备库"

python

运行

GPT plus 代充 只需 145 llm_with_tools = llm.bind_tools(tools) 

• ✨ 核心：告诉 AI"你现在有加法、乘法、除法这三个工具可用"
• ✨ 效果：AI 思考时会自动判断该调用哪个工具，无需你手动指定

3. 条件路由：Agent 的 "决策大脑"

python

运行

 def should_continue(state: State): if not last_message.tool_calls: return "end" # 没工具要调用 → 结束 return "continue" # 有工具要调用 → 执行 

• ✨ 作用：实现 Agent 的闭环迭代，直到任务完成
• ✨ 场景扩展：可自定义迭代次数限制，避免无限循环

---

plaintext

GPT plus 代充 只需 145  问题：What is (3 + 5) * 12?  答案：The result of $(3 + 5) imes 12$ is 96. 

• AI 会先调用add(3,5)得到 8，再调用multiply(8,12)得到 96
• 最终返回格式化的答案，全程无需人工干预！

---

表格

---

1. API Key 替换：一定要把代码中的你自己的API_KEY换成阿里云百炼的真实 Key
2. 工具注释清晰：AI 靠注释理解工具用途，注释写得越清楚，工具调用越准确
3. 参数类型匹配：工具函数的参数类型（如 int/float）要和 AI 传入的参数一致
4. 迭代次数限制：复杂场景建议添加max_iterations，避免 Agent 无限循环调用工具

---

Agent 模式是 LangGraph 最具颠覆性的玩法，核心价值在于：

1. 让 AI 从 "语言模型" 升级为 "智能体"，拥有 "思考 + 行动" 能力；
2. 工具化架构无限扩展，适配几乎所有实际业务场景；
3. 闭环迭代确保结果准确，比单纯的 LLM 输出靠谱 10 倍！

下次遇到需要 AI"动手" 的场景，别再手动写逻辑了，直接用 Agent 模式让 AI 自己搞定！

想要进阶教程？留言告诉我：✅ 如何添加工具调用次数限制✅ 如何接入第三方 API 工具（如天气 / 股票）✅ 如何给 Agent 添加记忆功能