LangGraph 工具调用实战：构建 ReAct 搜索机器人

LangGraph 工具调用实战：构建 ReAct 搜索机器人

在掌握了 LangGraph 的基础入门和 StateGraph 结构后，我们进入进阶阶段——工具调用（Tool Calling）。通过为聊天机器人集成 Tavily 搜索引擎，我们可以实现经典的 ReAct（Reasoning + Acting）模式，让 AI 具备主动获取实时信息的能力。

核心概念

什么是工具调用

工具调用是 LLM 的关键能力之一，它允许模型在推理过程中执行外部操作。其核心流程包括：

1. 推理（Reasoning）：理解用户意图，判断是否需要外部数据。
2. 行动（Acting）：调用预定义的工具获取数据。
3. 观察（Observation）：整合工具返回的结果生成最终回答。

这就是 ReAct 模式的本质。相比纯 LLM，带工具调用的系统能解决知识截止、计算精度不足、无法访问数据库等局限。

场景	纯 LLM	带工具调用的 LLM
实时信息	❌ 知识截止	✅ 调用搜索工具
数学计算	❌ 容易出错	✅ 调用计算器
数据库查询	❌ 无法访问	✅ 调用 SQL 工具

架构组件

一个典型的工具调用架构包含以下部分：

• 工具定义：如 TavilySearch、Calculator 等。
• 工具绑定：使用 llm.bind_tools(tools) 将工具注入模型上下文。
• 工具节点：负责执行具体的工具调用逻辑。
• 条件路由：判断当前状态是否需要继续调用工具或结束。
• 循环执行：Chatbot ↔ Tools 形成 ReAct 闭环。

环境准备

依赖安装

确保已安装必要的库：

pip install langgraph langchain langchain-openai langchain-community pydantic python-dotenv typing-extensions

配置密钥

创建 .env 文件存储敏感信息，避免硬编码：

# 模型服务 API 密钥
SILICONFLOW_API_KEY=your_api_key_here

# Tavily 搜索引擎 API 密钥
TAVILY_API_KEY=your_tavily_key_here

注意：需自行申请对应的 API Key 并填入。

代码实现

完整代码示例

下面是一个完整的实现，展示了如何构建支持搜索的聊天机器人。

"""
LangGraph 工具调用示例：为聊天机器人添加网页搜索功能
当模型无法凭记忆回答时，自动调用工具查找信息
"""
import warnings
warnings.filterwarnings("ignore", category=DeprecationWarning)
warnings.filterwarnings("ignore", category=UserWarning)

 typing  Annotated
 typing_extensions  TypedDict
 langgraph.graph  StateGraph, START, END
 langgraph.graph.message  add_messages
 langchain_openai  ChatOpenAI
 langchain_core.messages  ToolMessage
 langchain_community.tools.tavily_search  TavilySearchResults
 dotenv  load_dotenv
 json
 os


load_dotenv()

  os.getenv():
     ValueError()


 ():
    
    messages: Annotated[, add_messages]


 :
    
     () -> :
        .tools_by_name = {tool.name: tool  tool  tools}

     ():
         messages := inputs.get(, []):
            message = messages[-]
        :
             ValueError()

        outputs = []
         tool_call  message.tool_calls:
            
            tool_result = .tools_by_name[tool_call[]].invoke(
                tool_call[]
            )
            
            outputs.append(
                ToolMessage(
                    content=json.dumps(tool_result, ensure_ascii=),
                    name=tool_call[],
                    tool_call_id=tool_call[],
                )
            )
         {: outputs}


 ():
    
     (state, ):
        ai_message = state[-]
     messages := state.get(, []):
        ai_message = messages[-]
    :
         ValueError()

     (ai_message, )  (ai_message.tool_calls) > :
         
     END


 ():
    
    graph_builder = StateGraph(State)

    
    llm = ChatOpenAI(
        model=,
        openai_api_key=os.getenv(),
        openai_api_base=,
        temperature=
    )

    
    tool = TavilySearchResults(max_results=)
    tools = [tool]

    
    llm_with_tools = llm.bind_tools(tools)

    
     ():
         {: [llm_with_tools.invoke(state[])]}

    
    graph_builder.add_node(, chatbot)
    tool_node = BasicToolNode(tools=tools)
    graph_builder.add_node(, tool_node)

    
    graph_builder.add_edge(START, )
    
    
    graph_builder.add_conditional_edges(
        ,
        route_tools,
        {: , END: END}
    )

    
    graph_builder.add_edge(, )

     graph_builder.()


 ():
    
     event  graph.stream({: [{: , : user_input}]}):
         value  event.values():
               value:
                last_message = value[][-]
                
                 (last_message, )  last_message.content:
                      (last_message, ToolMessage):
                        (, last_message.content)

 ():
    ()
    ( * )
    ()
    ()

    graph = create_graph()
     :
        :
            user_input = ()
             user_input.lower()  [, , ]:
                ()
                
            stream_graph_updates(graph, user_input)
            ()  
         KeyboardInterrupt:
            ()
            
         Exception  e:
            ()
            

 __name__ == :
    main()