在 LangGraph 中定义“工具”（Tool），本质上是将普通的 Python 函数或外部能力（如API）封装起来，供图中的大模型（LLM）节点调用。

🔧 定义工具的基本方法

完整的工具定义与集成流程可以概括为以下几步，你可以通过这个代码结构图快速了解：

对图中的关键环节进行说明：

1. 创建工具函数
最简单的方法是使用 @tool 装饰器。你需要为函数提供清晰的名称和描述，因为LLM主要依赖这些来决定何时以及如何使用它。

from langchain.tools import tool

@tool
def search_web(query: str) -> str:
    """根据用户的问题执行网页搜索。"""
    # 调用搜索引擎API
    return f"关于 '{query}' 的搜索结果..."

也可以使用 args_schema 参数来定义更严谨的输入模型（使用Pydantic），或通过 return_direct=True 让代理在调用此工具后直接结束

2. 将工具绑定到模型
创建工具列表后，需要将它们绑定到LLM，使其知道这些工具的存在和调用方式

tools = [search_web, calculator]
model = ChatOpenAI(model="gpt-4")
model_with_tools = model.bind_tools(tools) # 或使用 bind_functions

3. 在图中集成工具
通常，你会创建一个专门的工具执行节点。LangGraph 提供了预置的 ToolNode 来简化这一步，它支持并行执行、错误处理等。

from langgraph.prebuilt import ToolNode, ToolExecutor
# 使用预置节点
tool_node = ToolNode(tools)
# 或者，自定义一个工具节点
tool_executor = ToolExecutor(tools)
def execute_tools(state):
    # 处理LLM的工具调用请求
    action = state['messages'][-1].tool_calls[0]
    result = tool_executor.invoke(action)
    return {"messages": [ToolMessage(content=result, name=action.tool)]}

1. 然后将这个节点添加到图中，并通过条件边将其与LLM推理节点连接起来，形成一个“思考-行动”的循环。

⚠️ 核心注意事项与最佳实践

为了让工具在图中稳定可靠地工作，需要注意以下几点：