基于LangGraph的智能体工具使用实战：构建自主上网搜索的AI助手

大模型再强，也是个“纸上谈兵”的理论家。本文将带你用代码实现一个能自主上网搜索的智能体，让它从“只会说”变成“会动手”，彻底告别幻觉。

写在前面

相信你肯定遇到过这种场景：满心欢喜地打开一个号称“无所不知”的AI助手，问它“今天北京天气怎么样？”，它却自信满满地给你编了个风和日丽的晴天，而你此刻正站在倾盆大雨里。或者问它“我公司上周的销售数据是多少？”，它只能抱歉地说“我的知识截止到xx年”。

这种无力感，就像你雇了一个自称读过万卷书的“理论派”顾问，却让他去执行一个简单的数据查询任务——他道理讲得头头是道，但一伸手就露怯。

问题出在哪？因为这些AI助手本质上只是一个封闭的推理引擎。它的知识库是静态的，只存在于训练时的那一刹那。它无法感知“现在”，也无法连接你的“私有数据”。

那怎么破局？答案就是给它一双手，让它学会使用工具。

今天这篇文章，我们就来手把手拆解一个极具变革性的智能体架构：工具使用。我会带你用代码实现一个能自己上网搜最新信息的智能体，让它从一个“纯书生”进化成能调用API、获取实时数据的“实战派”。读完这篇文章，你不仅能理解其核心原理，更能直接拥有一个可以扩展的、真实可用的智能助手原型。

一、什么是“工具使用”智能体？

简单说，就是让大语言模型（LLM）具备了调用外部函数或API的能力，我们把这些外部能力称为“工具”。智能体就像一个聪明的项目经理，它会自主判断：当用户的问题自己搞不定时，就立刻去调用最合适的“工具人”来获取信息。

工作流程：

1. 接收任务：用户说：“查一下最近一届WWDC发布了啥？”
2. 自主决策：智能体一琢磨：“我训练数据里最新的WWDC还是去年的，得出去查查。”于是它决定调用“网页搜索”这个工具。
3. 执行动作：它把“苹果 WWDC 最新发布”作为参数，精准地调用了一个叫 web_search 的函数。
4. 获取反馈：系统执行搜索，把网页结果扔回给智能体。
5. 合成答案：智能体把搜索结果和自己的语言组织能力结合，给出一个有理有据、最新最热的答案。

它能用在哪儿？

• 研究助手：写报告、查新闻，需要最新信息时，它能自己上网搜。
• 企业智能助理：“查一下上周三在‘技术群’里谁最活跃？”——它能直接调取公司内部数据库。
• 数学与科学计算：算个复杂的微积分，直接调计算器工具，比LLM自己硬算靠谱得多。

优点和缺点

• 优点
  • 告别幻觉：获取的是真实、实时的数据，回答有根有据，可信度飙升。
  • 能力无限：你想让它会什么，就给它配什么工具，加个工具就像给手机装个App一样，能力边界可以无限扩展。
• 缺点
  • 接入成本：你得先把这些“管道”搭好，定义好每个工具是干啥的，还要处理API密钥、错误重试这些烦心事。
  • 工具依赖：工具是“猪队友”还是“神助手”，直接决定了智能体的上限。如果搜索工具返回的是垃圾信息，那它的答案也不会好到哪去。

二、动手实现一个会自己上网的智能体

理论说完了，咱们直接上代码。别怕，我带你一步步走，每一步都会解释清楚为什么这么干。

0. 准备工作

首先，我们需要安装一些“神器”。这就像是组装机器人前，得先把螺丝刀、电焊准备好。

# 一键安装所有需要的库：用于编排的langchain、构建工作流的langgraph、管理环境变量的dotenv，以及我们今天的主角——网页搜索工具tavily
!pip install -q -U langchain-nebius langchain langgraph rich python-dotenv tavily-python

接着，我们设置好环境变量。你需要去注册获取几个API密钥：Nebius（用来调用大模型）、LangSmith（用来追踪智能体的思考过程，方便调试）、Tavily（我们的网页搜索工具）。

创建一个 .env 文件，写入你的密钥：

NEBIUS_API_KEY="你的Nebius_API密钥"
LANGCHAIN_API_KEY="你的LangSmith_API密钥"
TAVILY_API_KEY="你的Tavily_API密钥"

然后用代码加载这些密钥并导入所需库。

import os
import json
from typing import List, Annotated, TypedDict, Optional
from dotenv import load_dotenv

from langchain_nebius import ChatNebius
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import BaseMessage, ToolMessage
from pydantic import BaseModel, Field

from langgraph.graph import StateGraph, END
from langgraph.graph.message import AnyMessage, add_messages
from langgraph.prebuilt import ToolNode

from rich.console import Console
from rich.markdown import Markdown

# 加载环境变量
load_dotenv()
# 开启LangSmith追踪，让你能看到智能体每一步的内心戏
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_PROJECT"] = "Agentic Architecture - Tool Use"

# 检查一下密钥有没有成功加载
for key in ["NEBIUS_API_KEY", "LANGCHAIN_API_KEY", "TAVILY_API_KEY"]:
    if not os.environ.get(key):
        print(f"⚠️ {key} 未找到，请检查 .env 文件")
print("✅ 环境变量加载完毕")

1. 定义工具箱：给智能体配一把“搜索引擎”

智能体强不强，就看它的工具箱里有什么。这里我们给它配一把最实用的武器——实时网页搜索。

TavilySearchResults 这个工具很强大，但更重要的是，我们要给它一个清晰、精确的描述。LLM就是靠这个描述来理解“什么时候该用这个工具”。描述写得越清楚，它决策就越准确。

# 初始化工具，最多返回2条结果，避免上下文过长
search_tool = TavilySearchResults(max_results=2)
# 给它起个响亮的名字和描述
search_tool.name = "web_search"
search_tool.description = "用这个工具去互联网上搜任何最新的信息，比如新闻、事件、最新比分。它能拿到实时内容。"
tools = [search_tool]

# 先测试一下，看看它返回的原始数据长啥样
console = Console()
test_query = "最近一届超级碗的比分是多少？"
test_result = search_tool.invoke({"query": test_query})
console.print(f"[bold green]🔍 测试查询：[/bold green] {test_query}")
console.print("\n[bold green]📦 返回的原始数据：[/bold green]")
console.print(test_result)

输出示例（实际内容会实时变化）：

[
    {
        'title': '超级碗LIX: 费城老鹰40-22击败堪萨斯城酋长',
        'url': 'https://...',
        'content': '2025年2月9日，新奥尔良，费城老鹰队以40-22的比分战胜堪萨斯城酋长队...',
        'score': 0.95
    },
    {
        'title': 'NFL官网：第59届超级碗战报',
        'url': 'https://...',
        'content': '老鹰队四分卫赫茨表现神勇，带领球队夺冠...',
        'score': 0.92
    }
]

可以看到，工具返回的是一个结构化的数据列表，里面包含了标题、链接、内容片段和相关性评分。这，就是智能体将要处理的“原材料”。

2. 搭建大脑与双手：用LangGraph构建智能体

现在，我们要把“大脑”（LLM）和“双手”（工具）通过一个工作流连接起来。这里我们用LangGraph，它就像一个精密的流程图，能完美实现“思考-行动-观察”的循环。

2.1 定义状态：给智能体一个“记忆本”

智能体在工作过程中需要记住“我们聊到哪了”。这个“记忆本”就是一个消息列表，里面存着用户说的话、智能体的思考、以及工具返回的结果。

class AgentState(TypedDict):
    # messages是一个列表，每次有新的消息就追加进去
    messages: Annotated[list[AnyMessage], add_messages]

2.2 绑定工具：让大模型“开眼”

这是最神奇的一步。我们用 .bind_tools() 方法，把工具的名字和描述告诉LLM。这样，LLM在内部推理时，就知道“哦，原来我还有这个能力可以用”。

llm = ChatNebius(model="meta-llama/Meta-Llama-3.1-8B-Instruct", temperature=0)
# 将工具绑定到LLM，让它变得有“感知力”
llm_with_tools = llm.bind_tools(tools)

2.3 定义节点：大脑（Agent）和双手（Tool）

工作流由节点构成。我们有两个核心节点：

• agent_node：智能体的“大脑”。它负责思考，调用绑定了工具的LLM，并决定下一步是“给出答案”还是“调用工具”。
• tool_node：智能体的“双手”。它接收来自大脑的“工具调用指令”，真的去执行那些工具，并把结果带回来。

def agent_node(state: AgentState):
    """这是智能体的大脑：决定下一步怎么做"""
    console.print("🤔 --- 智能体：思考中... ---")
    # 把当前所有的对话记忆都喂给LLM
    response = llm_with_tools.invoke(state["messages"])
    # 将LLM的思考结果（可能是答案，也可能是工具调用请求）存入状态
    return {"messages": [response]}

# LangGraph自带的ToolNode，就像一个专业的“工具执行器”
tool_node = ToolNode(tools)

2.4 定义路由：大脑的决策开关

大脑思考完了，我们怎么知道它下一步要干嘛？这就需要路由器。它就像一个裁判，看一眼大脑最后输出的消息：如果里面包含 tool_calls（要调用工具的请求），就跳转到 tool_node；如果没有，就代表工作流结束，可以输出最终答案了。

def router_function(state: AgentState) -> str:
    """裁判函数：根据智能体的最后一条消息，决定下一步去哪儿"""
    last_message = state["messages"][-1]
    if last_message.tool_calls:
        console.print("🔧 --- 路由器：决策是调用工具 ---")
        return "call_tool"  # 去执行工具
    else:
        console.print("🎉 --- 路由器：决策是结束，输出答案 ---")
        return "__end__"  # 流程结束

3. 组装运行：启动你的第一个“动手派”智能体

所有零件都准备好了，现在我们把它们拼装成一个完整的机器人。

# 创建一个状态图
graph_builder = StateGraph(AgentState)

# 添加两个核心节点
graph_builder.add_node("agent", agent_node)
graph_builder.add_node("call_tool", tool_node)

# 设定入口点：从大脑开始
graph_builder.set_entry_point("agent")

# 添加条件边：大脑之后，由裁判决定去工具还是结束
graph_builder.add_conditional_edges(
    "agent",
    router_function,
)

# 添加普通边：工具执行完后，必须回到大脑（让它整理结果，并决定是否继续）
graph_builder.add_edge("call_tool", "agent")

# 编译成最终可运行的应用
tool_agent_app = graph_builder.compile()

让我们来问它一个新鲜热乎的问题，看看它能不能自己找到答案。

user_query = "苹果最近一届 WWDC 大会有哪些主要发布内容？"
initial_input = {"messages": [("user", user_query)]}

console.print(f"🚀 启动智能体，问题：'{user_query}'\n")

# 以流式方式执行，可以看到每一步的细节
for chunk in tool_agent_app.stream(initial_input, stream_mode="values"):
    # 打印最后一条消息，格式友好
    chunk["messages"][-1].pretty_print()
    console.print("\n---\n")

console.print("\n✅ 工作流执行完成！")

执行过程解读：

你会看到类似下面的输出，清晰地展示了智能体的思考轨迹：

1. 用户提问：苹果最近一届 WWDC 大会有哪些主要发布内容？
2. 智能体思考：🤔 --- 智能体：思考中... ---，然后它输出了一条消息，里面包含了 Tool Calls 请求，参数是 query: 苹果 WWDC 最新发布。
3. 路由器决策：🔧 --- 路由器：决策是调用工具 ---
4. 工具执行：系统调用 web_search，返回一堆搜索结果（Tool Message）。
5. 智能体再次思考：拿到搜索结果后，它再次进入 agent_node，这次它会基于工具返回的原始数据进行整理。
6. 路由器再次决策：🎉 --- 路由器：决策是结束，输出答案 ---
7. 最终输出：智能体给出了一个条理清晰的、基于最新信息的回答，比如：“苹果最近一届WWDC大会推出了全新的Liquid Glass设计语言，并为iOS、iPadOS和macOS带来了大量新功能，包括…”。

4. 效果评估：如何判断它做得好不好？

一个智能体好不好，不能只看感觉。我们可以用“LLM作为评委”的方式，给它打个分。

我们定义一个评分标准：工具选择是否正确（选对了工具吗？）、工具输入是否精准（搜索关键词对吗？）、信息整合质量如何（把搜索结果组织得好吗？）。

from pydantic import BaseModel, Field

class ToolUseEvaluation(BaseModel):
    tool_selection_score: int = Field(description="1-5分：工具选对了吗？")
    tool_input_score: int = Field(description="1-5分：工具的参数（如搜索词）写得好吗？")
    synthesis_quality_score: int = Field(description="1-5分：最终答案整合得如何？")
    justification: str = Field(description="打分理由")

# 用另一个LLM来当评委
judge_llm = llm.with_structured_output(ToolUseEvaluation)

# 调用我们的智能体，拿到完整对话记录
final_answer = tool_agent_app.invoke(initial_input)
conversation_trace = "\n".join([f"{m.type}: {m.content or ''}{getattr(m, 'tool_calls', '')}" for m in final_answer['messages']])

def evaluate_tool_use(trace: str):
    prompt = f"""你是AI智能体评审专家，请根据对话追踪打分：
{trace}
    """
    return judge_llm.invoke(prompt)

evaluation = evaluate_tool_use(conversation_trace)
console.print(evaluation.model_dump_json(indent=2))

评分结果示例：

{
  "tool_selection_score": 5,
  "tool_input_score": 5,
  "synthesis_quality_score": 4,
  "justification": "智能体准确判断需要最新信息，选择了web_search工具，查询词精准。最终答案很好地整合了搜索结果，但部分细节可以更突出。总体表现优秀。"
}

通过这个自动化的评估，我们能对智能体的性能有一个量化的、客观的认识，这对于持续优化非常关键。

写在最后

恭喜你！你已经亲手构建了一个能够“动手”的智能体。这不仅仅是写了几行代码，而是掌握了一种让LLM突破自身局限的核心范式。

回顾一下今天的三个核心记忆点：

1. 原理：工具使用架构让LLM从静态的推理引擎，变成了能连接外部世界的动态智能体。
2. 实践：我们用LangGraph搭建了“思考-行动-观察”的循环，并配了一个强大的网页搜索工具。
3. 避坑：工具的描述至关重要，这是LLM决策的关键；同时，执行追踪和LLM作为评委是保证智能体可靠性的两大法宝。

在技术探索的路上，我们经常会惊叹于大模型的“智力”，但真正让它在现实世界中发光发热的，往往是它“调用工具”的能力。这就像是一个刚毕业的博士生，空有一肚子理论，当你能教会他使用实验仪器、查阅最新文献时，他才真正成为了一个有生产力的科研人员。

未来，你可以为这个智能体添加更多工具：让它查内部数据库、发邮件、操作Excel……当工具集越来越丰富，一个真正属于你自己的、无所不能的数字助手就诞生了。

最后，留一个思考题：在你的工作中，如果让你为智能体设计一个最实用的工具，它会是什么？是帮你写周报？自动生成代码注释？还是监控服务器状态？欢迎在 云栈社区 分享你的想法，我们一起探讨。