本章涵盖

• 使用 LangGraph 驱动的智能体
• 注册并使用工具。以支持智能体的动态执行
• 调试智能体执行过程与工具调用
• 使用 LangGraph 预建立组件简化智能体开发
• 使用 LangSmith 观察智能体执行过程

在第  章中，我们探讨了 agentic workflows与 agents之间的区别。你已经了解到，agentic workflows 本质上是确定性的：它们的逻辑建立在带有条件分支的流程之上。而这些分支取决于应用当前的状态。这类工作流可以在 LangGraph 中优雅地建模为基于节点的图，你也已经看到了一个完整的、可动手实践的程序示例。

而智能体的运作方式则不同。它们并不是沿着预先确定好的流程前进，而是依赖策略，而一步步展开。

在本章中。你将把这些理念付诸实践，建立一个多工具旅行信息智能体。你会从一个简单版本开始：先实现一个只使用单个工具、用于提供目的地信息的智能体。接下来你会将它 为一个真正的多工具智能体。使其既能回答旅行目的地相关问题，也能回答这些地点的当前天气情况。

从简单开始这方面，建立一个单工具旅行信息智能体

在这一节中。我们将通过建立一个简单的旅行信息智能体，为后续的智能体应用打下基础。这个初始智能体只会使用一个工具：一个向量存储检索器。用来回答关于康沃尔各个目的地和度假地的问题，其知识来源是 Wikivoyage上的内容。这些内容会被切分为若干文本块，并存入向量存储，以便高效检索。

如果你已经跟着本书前面关于高级 Retrieval-Augmented Generation的章节学习过那么你应该已经熟悉如何获取内容源并填充向量存储。在这里我们会在这一基础之上继续推进，但主要将放在智能体机制本身。不过，

. 项目准备

让我们使用 Visual Studio Code来创建一个新的 Python 项目。这个流程一样也可以非常顺畅地在 Cursor 中使用。

创建虚拟环境并安装依赖

创建 Python 虚拟环境，并安装所有必需的依赖。你可以在本书的 Manning 网站配套资源中找到 requirements.txt 文件，也可以在与第  章对应的 GitHub 仓库中找到它。

在 VS Code 中打开一个新的 PowerShell 终端，进入 ch11 项目目录。接下来创建并激活一个新的虚拟环境：

PS C:\Github\building-llm-applications\ch11> python -m venv env_ch11PS C:\Github\building-llm-applications\ch11> .\env_ch11\Scripts\activate PS C:\Github\building-llm-applications\ch11>

虚拟环境激活后安装所需依赖：

 PS C:\Github\building-llm-applications\ch11> pip install -r .\requirements.txt

至此，你的项目开发环境就已经准备好了。

添加 OpenAI API Key

在项目根目录下创建一个 .env 文件，并加入你的 OpenAI API Key：

OPENAI_API_KEY=

配置 VS Code 调试

为了方便调试。在 .vscode 目录中加入如下 launch.json

{ "version": ".","configurations": }

建议你使用 Main_x_y.py 这种命名规则来组织实现文件。这里 x 表示功能模块，而 "y" 表示该功能 的迭代版本。这样做可以让你更容易对比不同版本，也更方便跟踪实现过程 的演进。 话说回来，

注意：本章中的代码示例有意进行了简化。目的是突出主要功能，为了便于理解与学习，示例中省略了错误处理和防御式编程这些内容。

. 加载环境变量

当你的 .env  文件准备好之后创建一个名为 Main_01_01.py   的代码文件。在脚本顶部、导入语句之后按照下面 的方式加载 API Key。

代码清单         怎么说呢，"加载环境变量"

load_dotenv;## 从 .env 文件中加载环境变量

. 准备旅行信息向量存储

代码清单 "准备旅行信息向量存储"

UK_DESTINATIONS = # ""Cornwall"。"
# ""North_Cornwall","
# ""South_Cornwall","
# ""West_Cornwall","
]async def build_vectorstore -> Chroma:
# """Download Wikivoyage pages and create a Chroma vector store."""
urls =
# loader = AsyncHtmlLoader
# print
# docs = await loader.aload
# splitter = RecursiveCharacterTextSplitter(
chunk_size=?,chunk_overlap=?)
# chunks = sum for d in docs],)
# print} chunks ...")
# vectordb_client = Chroma.from_documents(
chunks。embedding=OpenAIEmbeddings)
# print
# return vectordb_client
_ti_vectorstore_client: Chroma | None = None
def get_travel_info_vectorstore -> Chroma:
global _ti_vectorstore_client
if _ti_vectorstore_client is None:
if not os.environ.get:
raise RuntimeError(
"""Set OPENAI_API_KEY env variable and re-run.""")
_ti_vectorstore_client = asyncio.run(
build_vectorstore)
return _ti_vectorstore_client
ti_vectorstore_client=get_travel_info_vectorstore
ti_retriever = ti_vectorstore_client.as_retriever
这段配置
定义了 一个 与 康沃尔相关 的目的 地 列表，它 将作为 后续 信息检索 基础。其实，异步函数 build_vectorstore 会 为每个 目的 地 构造 URL 并 使用异步 加载器 抓取 对应 Wikivoyage 页面。页面 下载完成 后 文 本 会被 切分 成 带 有 重叠 的 文 本 块，以 确保 每 个 文 本 块 在 上下文 上 保持 足够 语义 完整性。话说回来，随后这些 文 本 块 会 和 下载。这里 用 单例 模式 管理 向量 存 储 客户端 .get_travel_info_vectorstore 函数 会 确保 向量 存 储只 构 建 一次，后续 所有 检 索 都复 用 此 实例。最终 我们 实例 化 向量 存 储 客户端 并 从 中 创建 一个 retriever 对象——这个 retriever 将 成为 智能机访问 康沃尔 旅 游 信息 接口。借助 此 基础设施，智能机 就 能 高效 回答 关于 目的 地 问题。且 知识 来源 是 来自 Wikivoyage 最新 内容。

让智能机 能够 调用 工具 

现在我们 已经 准备 好了 向量 存 储 检 索 器，下 一 步 就 是 把 此 检 索 能 力 暴露 为 一个 智能机 可 调 用 工具。这 正是 “ 工具 调用 ” 概念 的 切 入 点 —— 它 是 当代 智能机 框架 中的关键进展。

. 从函数调用 到 工具调用 


像 OpenAI 那样 LLM 最初 引入的是 函 数 调用 机制 ：模型 可以 不仅 可以 调 用 自 定义 函 数。还 可以 调 用 内 建 或 外 部 “ 工具 ”,从代码执行 到 外部 API 查询 都 可以 纳 入 支 持 范 围。定义 ：工具 是 指 LLM 可以 通过 工具 调用 协议 调 用 任意 外 部 函 数、服务 或 能 力 . 工具让 模 型 超 越 純 文 本 生 成，例如 执 行 编 程 、 查询 数据 库 或 呼 请 API — 模 型 通 道 输 入 并 接 收 输出。

您或许 想问 为什么 工具 呼叫 如 此 重 要？为什么 不直 接 给 智 能 带 来 REST API 端 点 接 入 功 能？关键 原因 在 于 灵 活 性…，等等 …，

LLM 正 是 围绕 此 能 力 被 专 门 学 翻 出 来 嘅 …，

ReAct （Reasoning And Acting 推 理 与 行 动 )设计模式 .. 

图 ReAct 模式 ...

图 ReAct 

...

注意 : 

OpenAI Responses API ...

. 工具调用 是 如何 与 LLM 协同 工作
...




**代码清单 **
...
python
@tool
def search_travel_info -> str:
docs = ti_retriever.invoke
...
...
**代码清单**
python
TOOLS=
llm_model=ChatOpenAI(
model=&ldquogpt--mini”,use_responses_api=True)
llm_with_tools=llm_model.bind_tools
...


状态检查

kotlin
class AgentState:
messages: Annotated。operator.add]


ToolsExecutionNode

ini
class ToolsExecutionNode:
...
...


内置 ToolNode 类

ini
tools_execution_node=ToolNode
...
**LLM 节点**
python
def llm_node:
current_messages = state
response_message = llm_with_tools.invoke
return {"messages":}
...

图形化

执行一次请求

多工具


实现模拟天气服务


创建天气预报工具


更新多工具支持


执行多工具

初始行为

--

System Message 改进

使用预建立组件实现快速开发


小结