AI Agent / 系统课时
根据工具结果继续或结束
根据工具结果继续或结束
工具调用真正成为“智能体循环”,关键不在于工具能执行,而在于每次模型返回后都能判断下一步:还有工具调用就进入工具节点,没有工具调用就结束。本文用一个最小 LangGraph 展示条件路由、工具回流和终止条件。
学习目标
- 能用状态字段表达“继续调用工具”与“已经得到最终答案”
- 能在
StateGraph中建立模型 → 工具 → 模型的闭环 - 能识别缺少终止条件导致的无限循环风险
闭环由两个判断点组成
模型节点每次运行后都应留下足够的状态,让路由函数回答一个问题:下一步是工具,还是结束。工具执行完成后不要直接结束,而是把结果写回状态,再回到模型节点,让模型基于新证据决定是否继续。

这种结构把“是否继续”集中在条件路由里,节点本身只负责计算状态,因此后续增加更多工具或检查步骤时不需要改动循环骨架。
用状态驱动条件路由
下面示例不依赖真实模型 API,而是用一个可执行的“模型节点”模拟两次决策:第一次请求工具,工具返回结果后第二次给出最终答案。重点是观察 LangGraph 如何根据状态选择边。
from typing import TypedDict
from langgraph.graph import END, START, StateGraph
class AgentState(TypedDict):
need_tool: bool
tool_result: str
final_answer: str
def model_node(state: AgentState) -> AgentState:
# 尚无工具结果时,先发起工具调用;已有结果时生成最终答案。
if not state["tool_result"]:
return {**state, "need_tool": True}
return {
**state,
"need_tool": False,
"final_answer": f"查询完成:{state['tool_result']}",
}
def tool_node(state: AgentState) -> AgentState:
# 真实项目中这里通常替换为 ToolNode 或自定义工具执行器。
return {**state, "tool_result": "库存 12 件"}
def route_after_model(state: AgentState) -> str:
return "tools" if state["need_tool"] else END
builder = StateGraph(AgentState)
builder.add_node("model", model_node)
builder.add_node("tools", tool_node)
builder.add_edge(START, "model")
builder.add_conditional_edges("model", route_after_model)
builder.add_edge("tools", "model")
graph = builder.compile()
result = graph.invoke(
{"need_tool": False, "tool_result": "", "final_answer": ""}
)
print(result["final_answer"])预期输出
查询完成:库存 12 件这段代码的执行顺序是 START → model → tools → model → END。如果第二次 model 仍把 need_tool 设为 True,图就会继续回到 tools,因此“最终答案”本质上也是一种显式状态。
真实工具调用时检查什么
接入支持工具调用的聊天模型后,路由条件通常不再检查自定义布尔值,而是检查最新模型消息是否携带工具调用。例如使用消息状态时,可以判断最新 AIMessage 的 tool_calls 是否为空;为空表示模型已经直接回答,可以结束,不为空则进入工具执行节点。
工具节点执行后应把工具返回值追加到消息历史,再连回模型节点。这样模型能看到工具结果,决定是继续调用另一个工具、修正参数后再次调用,还是输出最终答案。
给循环加上可控边界
闭环最常见的问题不是“不会继续”,而是“停不下来”。生产代码至少要有一个外部边界,例如最大循环次数、最大工具调用次数或总执行超时。即使模型因为错误结果反复请求同一工具,图也应该在达到上限后进入兜底分支,而不是无限消耗资源。
当“继续”与“结束”都由明确状态驱动时,模型和工具之间的循环就从隐式行为变成可观察、可测试的图结构。