LangChain 1.2 入门（二十四）：绑定工具与 ReAct 循环——Agent 才真正成立

只给 create_agent 一个模型，得到的是一张 start → model → end 的直线图，说白了还是个问答机。接上工具之后，图里才会长出 tools 节点和回边——那才是 Agent。

24.1 绑定一个工具

工具就是上一章定义过的 @tool 函数，直接放进 tools 列表：

from langchain.agents import create_agent
from langchain.tools import tool

@tool(parse_docstring=True)
def get_weather(city: str) -> str:
    """
    天气查询工具
    Args:
        city: 城市名称
    """
    return f"{city} 的天气为晴朗，25°C。"

agent = create_agent(model=model, tools=[get_weather])

resp = agent.invoke({
    "messages": [
        {"role": "system", "content": "你是一个天气查询助手，只回答天气相关的问题"},
        {"role": "user", "content": "北京的天气怎么样？"},
    ]
})

返回的消息列表能清楚看到四步：

SystemMessage     你是一个天气查询助手...
HumanMessage      北京的天气怎么样？
AIMessage         tool_calls=[{'name': 'get_weather', 'args': {'city': '北京'}}]
ToolMessage       北京的天气为晴朗，25°C。
AIMessage         北京天气晴朗，25°C。

这就是一次典型的 Function Calling：模型给调用请求，框架执行工具，结果回传，模型再说人话。整个循环由 Agent 替你跑完，不用像工具那一章那样自己写 while True。

24.2 内置工具：少写代码，多接能力

LangChain 生态集成了大量现成工具（官方列表见 integrations/tools）。以 Tavily 搜索为例，先到官网注册拿 API-KEY 写进 .env 的 TAVILY_API_KEY：

from langchain_tavily import TavilySearch

web_search = TavilySearch(max_results=2)
web_search.invoke("请问 2026 年足球世界杯有哪些参赛队？")
# {'query': '...', 'results': [{'url': ..., 'title': ..., 'content': ..., 'score': 0.997}]}

agent = create_agent(model=model, tools=[web_search])
result = agent.invoke({"messages": [
    {"role": "user", "content": "请帮我查询 2024 年诺贝尔物理学奖得主是谁？"}
]})
print(result["messages"][-1].content)

内置工具的价值是省掉「定义 + 解析」的活，但代价是黑盒：它的 docstring 你改不了，模型误用时只能靠提示词纠正。

24.3 多个工具：一次响应可以要两个

@tool(parse_docstring=True)
def get_weather(city: str):
    """
    天气查询工具
    Args:
        city: 城市名称
    """
    return f"{city} 今天天气挺好"

@tool(parse_docstring=True)
def get_news():
    """
    新闻查询工具
    """
    return "近期废旧手机回收市场迎来涨价潮。"

agent = create_agent(model, tools=[get_weather, get_news])
response = agent.invoke({
    "messages": ["你好，杭州今天的天气如何？今天有哪些新闻？"]
})

模型在一个 AIMessage 里同时给出两个 tool_calls（get_weather(city="杭州") 和 get_news()），框架并行执行、各自回一条 ToolMessage，最后一条 AIMessage 汇总。

工具数量要克制：一般 2–5 个最佳。工具太多，模型在相似描述之间反复犹豫，选错率明显上升。

24.4 图长什么样：ReAct 循环

接上工具后，图会变成 start → model → (tools → model)* → end。在 LangGraph 里 tools 是条件边的一个分支，判断依据就是「这条 AIMessage 里有没有 tool_calls」。

AI 智能体工作流：用户输入 → Agent 分析 → 判断是否需要工具 → 是则调用工具并获取结果 → 生成回答；否则直接回答

这张图换成实现视角，就是经典的 ReAct 结构——「思考-行动-观察」不断循环：

ReAct 循环：左侧 LangGraph 图中 model 节点分支到 tools 或 output，右侧对应用户输入 → LLM 推理 → 执行工具 → 返回观察结果 → 最终输出

流程可以概括成一句话：用户问题 → AI 思考 → 调用工具 → 观察结果 → 继续思考 → … → 最终答案。结束条件是某次模型输出里不再包含工具调用。

举个具体例子，用户问「找出当前最流行的无线耳机并检查库存」：

输入解析与初始推理：模型判断「要判断‘最流行’，需要最新市场信息，先搜索」；
第一次行动与观察：调用 search_products("wireless headphones")，拿到「找到 5 款，Top 结果 WH-1000XM5」；
迭代推理：认定 WH-1000XM5 就是答案候选，但还缺库存；
第二次行动与观察：调用 check_inventory("WH-1000XM5")，得到「库存 10 件」；
最终输出：信息齐了，生成答案并且不再调用工具。

这五步没有任何一步是你在代码里写的——你只提供了两个工具和一段提示词。

24.5 重试机制：靠约定，不靠魔法

工具失败时 Agent 可以自主重试，但前提是你把失败信息写成模型能看懂的约定。下面这个工具前两次返回固定前缀的错误串，第三次才成功：

from langchain.messages import SystemMessage, HumanMessage

flag = 0

@tool
def get_weather(city: str):
    """
    天气查询工具
    Args:
        city: 城市名称
    """
    global flag
    flag += 1
    if flag < 3:
        return "TEMP_UNAVAILABLE: 天气服务暂时不可用，请稍后重试"
    return f"{city} 今天天气挺好"

messages = [
    SystemMessage("""
    你是一个天气助手。
    当工具返回以 'TEMP_UNAVAILABLE:' 开头的结果时，
    说明是临时故障，不要立即放弃；
    你应再次调用同一个工具，最多重试 3 次。
    如果 3 次后仍失败，再向用户说明服务暂时不可用。
    """),
    HumanMessage("你好，杭州今天的天气如何？"),
]

agent = create_agent(model, tools=[get_weather])
response = agent.invoke({"messages": messages})

输出里能看到三轮 get_weather 调用：前两次拿到 TEMP_UNAVAILABLE，第三次成功，最后给出答案。两个细节值得记：

用返回值表达失败，而不是抛异常。抛异常会中断流程（除非中间件接管），返回约定字符串则把决策权交回模型；
重试策略必须写在提示词里，包括「什么算临时故障」「最多几次」「几次之后怎么回」。

24.6 常见问题

Agent 怎么选工具？靠工具的 docstring。模型综合问题内容和每个工具的描述，选最匹配的那个。描述是唯一的信息来源，这一点和上一章讲工具时完全一致。

为什么没调用我的工具？三种可能：docstring 不清晰；问题表述模糊；模型判断不需要工具。前两种改描述和提示词，第三种加一句「必须使用工具核实」。

为什么选错工具？多个工具功能描述相似，或者工具太多。解决办法是只给必要的工具、把描述写出明确区分、在 system_prompt 里说明各自的使用场景。

# ❌ 太模糊，模型无法判断
@tool
def tool1(x: str) -> str:
    """做一些事情"""

# ✅ 用途、参数、返回值都写清楚
@tool
def get_weather(city: str) -> str:
    """
    获取指定城市的实时天气信息
    Args:
        city: 城市名称，如 "北京"、"上海"
    """

怎么知道 Agent 完成了？看 AIMessage 有没有 tool_calls，没有就是最终答案：

for msg in response["messages"]:
    if isinstance(msg, AIMessage):
        if hasattr(msg, "tool_calls") and msg.tool_calls:
            print("还在调用工具...")
        else:
            print("完成！最终答案：", msg.content)

能调用多少次工具？默认没有限制，直到模型给出最终答案。风险是超时、撞上 token 上限，或者模型自己停不下来。要限制就用 recursion_limit：

config = {"recursion_limit": 5}   # 最多 5 步
response = agent.invoke({"messages": messages}, config=config)

24.7 小结

接上工具，Agent 才真正成立：调用一次 invoke，内部可能是多轮 ReAct 循环；工具靠 docstring 被选中，数量控制在 2–5 个；失败重试要用「返回值 + 提示词约定」来实现，而不是依赖框架猜你的意图；要防止无限循环，用 recursion_limit。

下一篇讲 Agent 的三个高级开关：给 Agent 起名字、写系统提示词，以及最容易被低估的——让 Agent 输出结构化数据。

上一篇：Agent 是什么——create_agent 与第一张图；系列第一篇：为什么需要 LangChain。

本文根据公开课程课件整理，并结合 LangChain 官方文档核对与补充。