1. 代码功能简要说明

该代码基于LangChain、LangGraph框架整合OpenAI的gpt-4-turbo模型和Tavily搜索引擎，实现具备自动工具调用能力的智能代理（Agent）：

• 核心逻辑：代理可自动推理用户问题是否需要调用外部工具（Tavily搜索）——无需实时数据的问题（如“中国首都是哪个城市？”）直接回答，需要实时/最新数据的问题（如“北京天气怎么样？”）自动调用Tavily搜索获取结果后整合回答；
• 关键组件：TavilySearchResults提供搜索能力，模型通过bind_tools具备工具调用推理能力，langgraph的chat_agent_executor封装完整的代理执行流程（推理→调用工具→整合结果），最终实现“智能判断+按需工具调用+精准回答”的全流程。

2. 带逐行详细注释的完整代码

# 导入os库：1.配置网络代理（解决国内访问OpenAI/Tavily API的网络限制） 2.配置各类API密钥环境变量
import os

# 导入TavilySearchResults：LangChain封装的Tavily搜索引擎工具，用于获取实时/最新的网络搜索结果
from langchain_community.tools.tavily_search import TavilySearchResults
# 导入HumanMessage：LangChain的用户消息类型，标识用户发送的问题/指令
from langchain_core.messages import HumanMessage
# 导入OpenAI相关组件：
# - ChatOpenAI：LangChain封装的gpt-4-turbo聊天模型，支持工具调用推理
# - OpenAIEmbeddings：（本代码未使用）OpenAI文本嵌入模型，预留向量相关能力
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
# 导入chat_agent_executor：LangGraph预构建的工具调用代理执行器，封装“推理→调用工具→整合结果”的完整代理逻辑
from langgraph.prebuilt import chat_agent_executor
# 导入add_routes：（本代码未使用）将代理部署为FastAPI服务的路由函数
from langserve import add_routes

# 配置HTTP代理：127.0.0.1:7890是代理工具的本地端口，确保API请求访问OpenAI/Tavily服务器
os.environ['http_proxy'] = '127.0.0.1:7890'
# 配置HTTPS代理：OpenAI/Tavily API基于HTTPS协议，需配置该代理确保请求正常
os.environ['https_proxy'] = '127.0.0.1:7890'

# 开启LangChain Tracing V2：追踪代理的执行过程（包括模型推理、工具调用、结果整合），便于调试
os.environ["LANGCHAIN_TRACING_V2"] = "true"
# 配置LangChain项目名称：追踪数据归类到该项目，便于管理不同应用
os.environ["LANGCHAIN_PROJECT"] = "LangchainDemo"
# 配置LangChain API Key：认证LangChain Smith服务（追踪功能必需），替换为自己的密钥
os.environ["LANGCHAIN_API_KEY"] = ''
# 配置Tavily API Key：认证Tavily搜索引擎服务（调用搜索工具必需），替换为自己的密钥
os.environ["TAVILY_API_KEY"] = ''

# ===================== 核心步骤1：初始化OpenAI聊天模型 =====================
# 聊天机器人案例
# 创建ChatOpenAI模型实例：指定gpt-4-turbo模型（支持工具调用的核心模型，gpt-3.5-turbo也支持）
model = ChatOpenAI(model='gpt-4-turbo')

# ===================== 注释部分：测试无工具调用的纯模型回答 =====================
# 没有任何代理的情况下：模型仅基于自身训练数据回答，无法获取实时数据（如天气）
# result = model.invoke([HumanMessage(content='北京天气怎么样？')])
# print(result)  # 输出：模型会提示无法获取实时天气，或给出过期数据

# ===================== 核心步骤2：初始化Tavily搜索工具 =====================
# LangChain内置了一个工具，可以轻松地使用Tavily搜索引擎作为工具。
# 初始化Tavily搜索工具：
# - max_results=2：指定每次搜索仅返回2条结果（减少数据量，提升回答效率）
# - Tavily特点：轻量级、免费额度充足、支持实时搜索，适合Agent工具调用场景
search = TavilySearchResults(max_results=2)
# 测试搜索工具：直接调用搜索工具获取结果（无模型推理，仅测试工具本身）
# print(search.invoke('北京的天气怎么样？'))  # 输出：包含天气数据的搜索结果列表

# ===================== 注释部分：测试模型绑定工具后的推理能力 =====================
# 让模型绑定工具：将搜索工具注册到模型中，模型具备“是否调用工具”的推理能力
# tools = [search]  # 定义工具列表（可包含多个工具，如搜索、计算器等）
# model_with_tools = model.bind_tools(tools)  # 绑定工具到模型

# 模型可以自动推理：是否需要调用工具去完成用户的答案
# 测试无需调用工具的问题（中国首都是哪）：模型判断无需调用工具，直接回答
# resp = model_with_tools.invoke([HumanMessage(content='中国的首都是哪个城市？')])
# print(f'Model_Result_Content: {resp.content}')  # 输出：直接回答“北京”
# print(f'Tools_Result_Content: {resp.tool_calls}')  # 输出：None（无工具调用）

# 测试需要调用工具的问题（北京天气）：模型判断需要调用工具，返回工具调用指令
# resp2 = model_with_tools.invoke([HumanMessage(content='北京天气怎么样？')])
# print(f'Model_Result_Content: {resp2.content}')  # 输出：模型提示将调用搜索工具
# print(f'Tools_Result_Content: {resp2.tool_calls}')  # 输出：包含搜索工具调用参数的列表

# ===================== 核心步骤3：创建具备工具调用能力的智能代理 =====================
#  创建代理：使用langgraph预构建的executor封装完整的代理逻辑
#  chat_agent_executor.create_tool_calling_executor：
#  - 输入：模型（带推理能力）、工具列表（搜索工具）
#  - 输出：具备“推理→调用工具→整合结果→回答”全流程能力的代理执行器
agent_executor = chat_agent_executor.create_tool_calling_executor(model, tools)

# ===================== 核心步骤4：测试代理的自动工具调用能力 =====================
# 测试1：无需调用工具的问题（中国首都是哪）
print('=== 测试1：无需调用工具的问题 ===')
resp = agent_executor.invoke({'messages': [HumanMessage(content='中国的首都是哪个城市？')]})
# 优化print：解析并展示代理的完整执行结果（消息列表）
print(f'用户问题：中国的首都是哪个城市？')
print(f'代理执行结果（完整消息）：{resp["messages"]}')
# 提取最终回答（消息列表最后一条是Agent的回答）
print(f'代理最终回答：{resp["messages"][-1].content}\n')

# 测试2：需要调用工具的问题（北京天气）
print('=== 测试2：需要调用工具的问题 ===')
resp2 = agent_executor.invoke({'messages': [HumanMessage(content='北京天气怎么样？')]})
print(f'用户问题：北京天气怎么样？')
print(f'代理执行结果（完整消息）：{resp2["messages"]}')
# 提取并打印最终回答（消息列表第3条是整合搜索结果后的回答，[-1]也可）
final_answer = resp2['messages'][2].content
print(f'代理最终回答：{final_answer}')

3. 无任何注释的代码版本

import os

from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langgraph.prebuilt import chat_agent_executor
from langserve import add_routes

os.environ['http_proxy'] = '127.0.0.1:7890'
os.environ['https_proxy'] = '127.0.0.1:7890'

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_PROJECT"] = "LangchainDemo"
os.environ["LANGCHAIN_API_KEY"] = ''
os.environ["TAVILY_API_KEY"] = ''

model = ChatOpenAI(model='gpt-4-turbo')

search = TavilySearchResults(max_results=2)

tools = [search]

agent_executor = chat_agent_executor.create_tool_calling_executor(model, tools)

print('=== 测试1：无需调用工具的问题 ===')
resp = agent_executor.invoke({'messages': [HumanMessage(content='中国的首都是哪个城市？')]})
print(f'用户问题：中国的首都是哪个城市？')
print(f'代理执行结果（完整消息）：{resp["messages"]}')
print(f'代理最终回答：{resp["messages"][-1].content}\n')

print('=== 测试2：需要调用工具的问题 ===')
resp2 = agent_executor.invoke({'messages': [HumanMessage(content='北京天气怎么样？')]})
print(f'用户问题：北京天气怎么样？')
print(f'代理执行结果（完整消息）：{resp2["messages"]}')
final_answer = resp2['messages'][2].content
print(f'代理最终回答：{final_answer}')

4. 核心知识点详解（系统梳理+表格）

4.1 核心概念梳理

4.2 核心组件用法对照表

4.3 Agent执行流程（可视化）

5. Print函数优化与说明

5.1 优化对比与核心改进

5.2 输出示例（参考）

=== 测试1：无需调用工具的问题 ===
用户问题：中国的首都是哪个城市？
代理执行结果（完整消息）：[HumanMessage(content='中国的首都是哪个城市？'), AIMessage(content='中国的首都是北京。')]
代理最终回答：中国的首都是北京。

=== 测试2：需要调用工具的问题 ===
用户问题：北京天气怎么样？
代理执行结果（完整消息）：[HumanMessage(content='北京天气怎么样？'), ToolCallMessage(...), AIMessage(content='截至当前，北京的天气为晴，气温25℃，微风，空气质量优。')]
代理最终回答：截至当前，北京的天气为晴，气温25℃，微风，空气质量优。

5.3 关键说明

• 消息列表解析：
  • 无需调用工具：消息列表包含HumanMessage（用户问题）+AIMessage（模型回答）；
  • 需要调用工具：消息列表包含HumanMessage+ToolCallMessage（工具调用指令）+AIMessage（整合结果后的回答）；
• API Key注意：Tavily API Key需自行申请（https://tavily.com/），替换代码中的密钥才能正常使用；
• 代理扩展性：可在tools列表中添加更多工具（如CalculatorTool计算器、FileWriteTool文件写入），实现更复杂的任务（如“计算1+2+3并写入文件”）。

总结（关键点回顾）

1. Agent核心价值：解决大模型“知识过期”“无实时数据”痛点，能自动判断并调用外部工具（如Tavily搜索）获取最新数据；
2. 关键组件：
   • TavilySearchResults提供实时搜索能力，需配置API Key；
   • chat_agent_executor封装完整的Agent执行流程，无需手动实现工具调用逻辑；
   • bind_tools让模型具备“是否调用工具”的推理能力（底层逻辑）；
3. 执行逻辑：
   • 无需工具的问题→模型直接回答；
   • 需要工具的问题→模型调用工具→整合结果→回答；
4. 实用技巧：
   • 控制Tavily的max_results为1-3，减少数据量提升回答效率；
   • 通过LangChain Tracing查看Agent的完整执行流程，便于调试工具调用问题；
   • 可扩展工具列表，实现“搜索+计算+文件操作”等组合能力。