Tool 和 Agent

1.Tool（工具）

定义与功能

 单一功能模块： Tool是完成待定任务的独立工具，每个工具专注于一项具体操作（如搜索，计算，api调用等）。

无决策能力：工具本身不决定何时被调用，仅在被触发时执行预设操作。

输入输出明确：每个工具需要定义输入参数和输出格式，例如：

  搜索工具：输入是查询字符串，输出是搜索结果。

  计算工具：输入是数学表达式，输出是计算结果。

2.Agent(智能体)

定义与功能

任务的协调者：Agent是自主决策的智能体，负责解析用户意图，规划任务步骤，调用工具并整合结果。

决策逻辑：基于LLM的推理能力（如ReAct框架），动态决定使用哪些工具及执行顺序。

上下文管理：维护任务状态，处理工具返回的中间结果，最终生成用户友好的响应。

工作流程

1.理解意图：解析用户输入的深层需求（如“比较python和java的优缺点” 需多步调研）。

2.规划步骤：决定调用工具的顺序（如先搜索python特性，再搜索java特性）

3.执行工具：调用Tool获取数据，处理可能的错误或重试。

4.综合响应：将多个工具的结果整合为自然语言回答。

Tool 和Agent

通过这种分工，LangChain实现了模块化与智能体的结合： Tool提供基础能力，Agent赋予系统自主决策的灵活性，两者协同完成从简单查询到复杂的问题求解的多样化任务。

import os

from langchain.agents import create_react_agent
from langchain.agents.chat.prompt import HUMAN_MESSAGE
from langchain_openai import ChatOpenAI
from openai import max_retries
from tavily import TavilyClient

llm = ChatOpenAI(
    model= 'deepseek-chat',
    temperature=0,
    api_key='sk-xxx',
    base_url='https://api.deepseek.com'
)
# Tavily 工具
os.environ["TAVILY_API_KEY"] = "TVLY-XXXX"

search_tool = TavilySearchResults(max_retries=3)

# res = search_tool.invoke("2025年5月2日，北京市的天气预报怎么样？")
# 
# print(res)

# 创建一个agent,整合工具

tools = [search_tool]

agent = create_react_agent(llm,tools)

resp = agent.invoke({'message':[HUMAN_MESSAGE(content='湖南的省会是哪个城市？')]})

print(resp)