4.2 工具调用流程分析

LangChain 的 Agent 会将模型与工具结合起来，在实现上由一个基于 LangGraph 的图结构来编排执行流程，如下所示。

这与前文得到的 Agent 图结构是一致的，本质上就是经典的 ReAct 结构：一个具备“ 思考-行动-观察”不断循环的自主工作者。

用户问题 → AI 思考 → 调用工具 → 观察结果 1 → 继续思考 → … → 最终答案

当用户提出一个复杂需求时，Agent会像人类一样，先理解任务、规划步骤、使用合适的工具（如搜索网络、查询数据库、执行计算）获取信息，Agent 会在一个循环中反复调用模型和工具，直到某次模型输出中不再包含工具调用则结束，最后综合所有信息给出最终答案。
完整流程：

举例：用户问题：“找出当前最流行的无线耳机并检查库存”的任务。

4.3 重试机制

Agent可以在工具调用结果不满足要求时，自主重试。

模型三次调用get_weather ，最终获得了满意的结果。

4.4 常见问题

问题1：Agent 如何选择工具？
依据：工具的 docstring

AI 会根据：

1. 问题内容
2. 每个工具的描述
3. 自动选择最匹配的工具

问题2：Agent 为什么没有调用工具？
原因：

• 工具的 docstring 不清晰
• 问题表述不明确
• 模型认为不需要工具

解决：

问题3：Agent 选错工具？
原因：

• 多个工具的功能描述相似
• 工具太多导致混淆

解决：

• 只给必要的工具
• 工具描述要有明确区分
• 在 system_prompt 中说明工具使用场景

问题4：如何知道 Agent 何时完成？
当 AIMessage 不包含 tool_calls 时：

问题5：Agent 可以调用多少次工具？
默认没有限制，直到得到最终答案。但可能会：

• 超时
• 达到 token 限制
• 模型决定停止

问题6：如何限制工具调用次数？
LangChain 1.0 的 create_agent 默认使用 LangGraph，可以通过配置限制：