工作流与智能体

本指南回顾常见的工作流和智能体模式。

工作流具有预定的代码路径，并被设计为按特定顺序运行。
智能体是动态的，并定义它们自己的流程和工具使用。

在构建智能体和工作流时，LangGraph 提供了多项优势，包括持久性、流式处理，以及对调试和部署的支持。

使用 LangSmith 追踪并比较这些工作流模式。按照追踪快速入门查看数据如何流经每个步骤。我们还建议您设置 LangSmith Engine，它可以监控您的追踪、检测问题并提出修复方案。

设置

要构建工作流或智能体，您可以使用支持结构化输出和工具调用的任何聊天模型。以下示例使用 Anthropic：

安装依赖项

npm install @langchain/langgraph @langchain/core

pnpm add @langchain/langgraph @langchain/core

yarn add @langchain/langgraph @langchain/core

bun add @langchain/langgraph @langchain/core

初始化 LLM：

import { ChatAnthropic } from "@langchain/anthropic";

const llm = new ChatAnthropic({
  model: "claude-sonnet-4-6",
  apiKey: "<your_anthropic_key>"
});

LLM 与增强

工作流和智能体系统基于 LLM 以及您添加到其中的各种增强功能。工具调用、结构化输出和短期记忆是几种根据您的需求定制 LLM 的选项。 LLM 增强

import * as z from "zod";
import { tool } from "langchain";

// 结构化输出的模式定义
const SearchQuery = z.object({
  search_query: z.string().describe("为网络搜索优化的查询语句。"),
  justification: z
    .string()
    .describe("解释此查询与用户请求相关的原因。"),
});

// 使用结构化输出的模式增强 LLM
const structuredLlm = llm.withStructuredOutput(SearchQuery);

// 调用增强后的 LLM
const output = await structuredLlm.invoke(
  "钙化 CT 评分与高胆固醇有何关系？"
);

// 定义一个工具
const multiply = tool(
  ({ a, b }) => {
    return a * b;
  },
  {
    name: "multiply",
    description: "将两个数字相乘",
    schema: z.object({
      a: z.number(),
      b: z.number(),
    }),
  }
);

// 用工具增强 LLM
const llmWithTools = llm.bindTools([multiply]);

// 使用触发工具调用的输入调用 LLM
const msg = await llmWithTools.invoke("2 乘以 3 等于多少？");

// 获取工具调用信息
console.log(msg.tool_calls);

提示链

提示链是指每次 LLM 调用处理前一次调用的输出。它通常用于执行定义明确、可以分解为更小、可验证步骤的任务。一些例子包括：

将文档翻译成不同语言
验证生成内容的一致性

import { StateGraph, StateSchema, GraphNode, ConditionalEdgeRouter } from "@langchain/langgraph";
import { z } from "zod/v4";

// 图状态
const State = new StateSchema({
  topic: z.string(),
  joke: z.string(),
  improvedJoke: z.string(),
  finalJoke: z.string(),
});

// 定义节点函数

// 第一次 LLM 调用，生成初始笑话
const generateJoke: GraphNode<typeof State> = async (state) => {
  const msg = await llm.invoke(`写一个关于 ${state.topic} 的短笑话`);
  return { joke: msg.content };
};

// 门控函数，检查笑话是否有包袱（punchline）
const checkPunchline: ConditionalEdgeRouter<typeof State, "improveJoke"> = (state) => {
  // 简单检查 - 笑话是否包含 "?" 或 "!"
  if (state.joke?.includes("?") || state.joke?.includes("!")) {
    return "通过";
  }
  return "失败";
};

// 第二次 LLM 调用，改进笑话
const improveJoke: GraphNode<typeof State> = async (state) => {
  const msg = await llm.invoke(
    `通过添加文字游戏让这个笑话更有趣: ${state.joke}`
  );
  return { improvedJoke: msg.content };
};

// 第三次 LLM 调用，进行最终润色
const polishJoke: GraphNode<typeof State> = async (state) => {
  const msg = await llm.invoke(
    `给这个笑话添加一个出人意料的转折: ${state.improvedJoke}`
  );
  return { finalJoke: msg.content };
};

// 构建工作流
const chain = new StateGraph(State)
  .addNode("generateJoke", generateJoke)
  .addNode("improveJoke", improveJoke)
  .addNode("polishJoke", polishJoke)
  .addEdge("__start__", "generateJoke")
  .addConditionalEdges("generateJoke", checkPunchline, {
    通过: "improveJoke",
    失败: "__end__"
  })
  .addEdge("improveJoke", "polishJoke")
  .addEdge("polishJoke", "__end__")
  .compile();

// 调用
const state = await chain.invoke({ topic: "猫" });
console.log("初始笑话:");
console.log(state.joke);
console.log("\n--- --- ---\n");
if (state.improvedJoke !== undefined) {
  console.log("改进后的笑话:");
  console.log(state.improvedJoke);
  console.log("\n--- --- ---\n");

  console.log("最终笑话:");
  console.log(state.finalJoke);
} else {
  console.log("笑话未通过质量门控 - 未检测到包袱！");
}

import { task, entrypoint } from "@langchain/langgraph";

// 任务

// 第一次 LLM 调用，生成初始笑话
const generateJoke = task("generateJoke", async (topic: string) => {
  const msg = await llm.invoke(`写一个关于 ${topic} 的短笑话`);
  return msg.content;
});

// 门控函数，检查笑话是否有包袱（punchline）
function checkPunchline(joke: string) {
  // 简单检查 - 笑话是否包含 "?" 或 "!"
  if (joke.includes("?") || joke.includes("!")) {
    return "通过";
  }
  return "失败";
}

  // 第二次 LLM 调用，改进笑话
const improveJoke = task("improveJoke", async (joke: string) => {
  const msg = await llm.invoke(
    `通过添加文字游戏让这个笑话更有趣: ${joke}`
  );
  return msg.content;
});

// 第三次 LLM 调用，进行最终润色
const polishJoke = task("polishJoke", async (joke: string) => {
  const msg = await llm.invoke(
    `给这个笑话添加一个出人意料的转折: ${joke}`
  );
  return msg.content;
});

const workflow = entrypoint(
  "jokeMaker",
  async (topic: string) => {
    const originalJoke = await generateJoke(topic);
    if (checkPunchline(originalJoke) === "通过") {
      return originalJoke;
    }
    const improvedJoke = await improveJoke(originalJoke);
    const polishedJoke = await polishJoke(improvedJoke);
    return polishedJoke;
  }
);

const stream = await workflow.streamEvents("猫", { version: "v3" });
for await (const snapshot of stream.values) {
  console.log(snapshot);
}

并行化

并行化是指 LLM 同时处理一项任务。这可以通过同时运行多个独立的子任务来完成，或者多次运行同一任务以检查不同的输出。并行化通常用于：

分解子任务并并行运行，从而提高速度
多次运行任务以检查不同的输出，从而增加置信度

一些例子包括：

运行一个处理文档关键词的子任务，同时运行另一个子任务检查格式错误
运行一个任务多次，根据不同的标准（如引用数量、使用的来源数量和来源质量）对文档的准确性进行评分

import { StateGraph, StateSchema, GraphNode } from "@langchain/langgraph";
import * as z from "zod";

// 图状态
const State = new StateSchema({
  topic: z.string(),
  joke: z.string(),
  story: z.string(),
  poem: z.string(),
  combinedOutput: z.string(),
});

// 节点
// 第一次 LLM 调用，生成初始笑话
const callLlm1: GraphNode<typeof State> = async (state) => {
  const msg = await llm.invoke(`写一个关于 ${state.topic} 的笑话`);
  return { joke: msg.content };
};

// 第二次 LLM 调用，生成故事
const callLlm2: GraphNode<typeof State> = async (state) => {
  const msg = await llm.invoke(`写一个关于 ${state.topic} 的故事`);
  return { story: msg.content };
};

// 第三次 LLM 调用，生成诗歌
const callLlm3: GraphNode<typeof State> = async (state) => {
  const msg = await llm.invoke(`写一首关于 ${state.topic} 的诗`);
  return { poem: msg.content };
};

// 将笑话、故事和诗歌合并为单个输出
const aggregator: GraphNode<typeof State> = async (state) => {
  const combined = `这是一个关于 ${state.topic} 的故事、笑话和诗！\n\n` +
    `故事:\n${state.story}\n\n` +
    `笑话:\n${state.joke}\n\n` +
    `诗:\n${state.poem}`;
  return { combinedOutput: combined };
};

// 构建工作流
const parallelWorkflow = new StateGraph(State)
  .addNode("callLlm1", callLlm1)
  .addNode("callLlm2", callLlm2)
  .addNode("callLlm3", callLlm3)
  .addNode("aggregator", aggregator)
  .addEdge("__start__", "callLlm1")
  .addEdge("__start__", "callLlm2")
  .addEdge("__start__", "callLlm3")
  .addEdge("callLlm1", "aggregator")
  .addEdge("callLlm2", "aggregator")
  .addEdge("callLlm3", "aggregator")
  .addEdge("aggregator", "__end__")
  .compile();

// 调用
const result = await parallelWorkflow.invoke({ topic: "猫" });
console.log(result.combinedOutput);

import { task, entrypoint } from "@langchain/langgraph";

// 任务

// 第一次 LLM 调用，生成初始笑话
const callLlm1 = task("generateJoke", async (topic: string) => {
  const msg = await llm.invoke(`写一个关于 ${topic} 的笑话`);
  return msg.content;
});

// 第二次 LLM 调用，生成故事
const callLlm2 = task("generateStory", async (topic: string) => {
  const msg = await llm.invoke(`写一个关于 ${topic} 的故事`);
  return msg.content;
});

// 第三次 LLM 调用，生成诗歌
const callLlm3 = task("generatePoem", async (topic: string) => {
  const msg = await llm.invoke(`写一首关于 ${topic} 的诗`);
  return msg.content;
});

// 合并输出
const aggregator = task("aggregator", async (params: {
  topic: string;
  joke: string;
  story: string;
  poem: string;
}) => {
  const { topic, joke, story, poem } = params;
  return `这是一个关于 ${topic} 的故事、笑话和诗！\n\n` +
    `故事:\n${story}\n\n` +
    `笑话:\n${joke}\n\n` +
    `诗:\n${poem}`;
});

// 构建工作流
const workflow = entrypoint(
  "parallelWorkflow",
  async (topic: string) => {
    const [joke, story, poem] = await Promise.all([
      callLlm1(topic),
      callLlm2(topic),
      callLlm3(topic),
    ]);

    return aggregator({ topic, joke, story, poem });
  }
);

// 调用
const stream = await workflow.streamEvents("猫", { version: "v3" });
for await (const snapshot of stream.values) {
  console.log(snapshot);
}

路由

路由工作流处理输入，然后将其引导至特定上下文的任务。这使您可以为复杂任务定义专门的流程。例如，一个用于回答产品相关问题的工作流可能首先处理问题类型，然后将请求路由到特定流程，如定价、退款、退货等。

import { StateGraph, StateSchema, GraphNode, ConditionalEdgeRouter } from "@langchain/langgraph";
import * as z from "zod";

// 用作路由逻辑的结构化输出模式
const routeSchema = z.object({
  step: z.enum(["poem", "story", "joke"]).describe(
    "路由过程中的下一步"
  ),
});

// 使用结构化输出的模式增强 LLM
const router = llm.withStructuredOutput(routeSchema);

// 图状态
const State = new StateSchema({
  input: z.string(),
  decision: z.string(),
  output: z.string(),
});

// 节点
// 写一个故事
const llmCall1: GraphNode<typeof State> = async (state) => {
  const result = await llm.invoke([{
    role: "system",
    content: "你是一个故事专家。",
  }, {
    role: "user",
    content: state.input
  }]);
  return { output: result.content };
};

// 写一个笑话
const llmCall2: GraphNode<typeof State> = async (state) => {
  const result = await llm.invoke([{
    role: "system",
    content: "你是一个喜剧专家。",
  }, {
    role: "user",
    content: state.input
  }]);
  return { output: result.content };
};

// 写一首诗
const llmCall3: GraphNode<typeof State> = async (state) => {
  const result = await llm.invoke([{
    role: "system",
    content: "你是一个诗歌专家。",
  }, {
    role: "user",
    content: state.input
  }]);
  return { output: result.content };
};

const llmCallRouter: GraphNode<typeof State> = async (state) => {
  // 将输入路由到适当的节点
  const decision = await router.invoke([
    {
      role: "system",
      content: "根据用户请求将输入路由到故事、笑话或诗歌。"
    },
    {
      role: "user",
      content: state.input
    },
  ]);

  return { decision: decision.step };
};

// 条件边函数，用于路由到适当的节点
const routeDecision: ConditionalEdgeRouter<typeof State, "llmCall1" | "llmCall2" | "llmCall3"> = (state) => {
  // 返回你接下来想访问的节点名称
  if (state.decision === "story") {
    return "llmCall1";
  } else if (state.decision === "joke") {
    return "llmCall2";
  } else {
    return "llmCall3";
  }
};

// 构建工作流
const routerWorkflow = new StateGraph(State)
  .addNode("llmCall1", llmCall1)
  .addNode("llmCall2", llmCall2)
  .addNode("llmCall3", llmCall3)
  .addNode("llmCallRouter", llmCallRouter)
  .addEdge("__start__", "llmCallRouter")
  .addConditionalEdges(
    "llmCallRouter",
    routeDecision,
    ["llmCall1", "llmCall2", "llmCall3"],
  )
  .addEdge("llmCall1", "__end__")
  .addEdge("llmCall2", "__end__")
  .addEdge("llmCall3", "__end__")
  .compile();

// 调用
const state = await routerWorkflow.invoke({
  input: "给我写一个关于猫的笑话"
});
console.log(state.output);

import * as z from "zod";
import { task, entrypoint } from "@langchain/langgraph";

// 用作路由逻辑的结构化输出模式
const routeSchema = z.object({
  step: z.enum(["poem", "story", "joke"]).describe(
    "路由过程中的下一步"
  ),
});

// 使用结构化输出的模式增强 LLM
const router = llm.withStructuredOutput(routeSchema);

// 任务
// 写一个故事
const llmCall1 = task("generateStory", async (input: string) => {
  const result = await llm.invoke([{
    role: "system",
    content: "你是一个故事专家。",
  }, {
    role: "user",
    content: input
  }]);
  return result.content;
});

// 写一个笑话
const llmCall2 = task("generateJoke", async (input: string) => {
  const result = await llm.invoke([{
    role: "system",
    content: "你是一个喜剧专家。",
  }, {
    role: "user",
    content: input
  }]);
  return result.content;
});

// 写一首诗
const llmCall3 = task("generatePoem", async (input: string) => {
  const result = await llm.invoke([{
    role: "system",
    content: "你是一个诗歌专家。",
  }, {
    role: "user",
    content: input
  }]);
  return result.content;
});

// 将输入路由到适当的节点
const llmCallRouter = task("router", async (input: string) => {
  const decision = await router.invoke([
    {
      role: "system",
      content: "根据用户请求将输入路由到故事、笑话或诗歌。"
    },
    {
      role: "user",
      content: input
    },
  ]);
  return decision.step;
});

// 构建工作流
const workflow = entrypoint(
  "routerWorkflow",
  async (input: string) => {
    const nextStep = await llmCallRouter(input);

    let llmCall;
    if (nextStep === "story") {
      llmCall = llmCall1;
    } else if (nextStep === "joke") {
      llmCall = llmCall2;
    } else if (nextStep === "poem") {
      llmCall = llmCall3;
    }

    const finalResult = await llmCall(input);
    return finalResult;
  }
);

// 调用
const stream = await workflow.streamEvents("给我写一个关于猫的笑话", { version: "v3" });
for await (const snapshot of stream.values) {
  console.log(snapshot);
}

编排器-工作者

在编排器-工作者配置中，编排器：

将任务分解为子任务
将子任务委派给工作者
将工作者的输出综合成最终结果

编排器-工作者工作流提供更高的灵活性，通常用于无法像并行化那样预先定义子任务的情况。这在需要编写代码或需要更新多个文件内容的工作流中很常见。例如，一个需要更新未知数量文档中多个 Python 库安装说明的工作流可能会使用这种模式。

type SectionSchema = {
    name: string;
    description: string;
}
type SectionsSchema = {
    sections: SectionSchema[];
}

// 使用结构化输出的模式增强 LLM
const planner = llm.withStructuredOutput(sectionsSchema);

import * as z from "zod";
import { task, entrypoint } from "@langchain/langgraph";

// 用于规划的结构化输出模式
const sectionSchema = z.object({
  name: z.string().describe("报告本节的名称。"),
  description: z.string().describe(
    "简要概述本节要涵盖的主要主题和概念。"
  ),
});

const sectionsSchema = z.object({
  sections: z.array(sectionSchema).describe("报告的各个章节。"),
});

// 使用结构化输出的模式增强 LLM
const planner = llm.withStructuredOutput(sectionsSchema);

// 任务
const orchestrator = task("orchestrator", async (topic: string) => {
  // 生成查询
  const reportSections = await planner.invoke([
    { role: "system", content: "生成报告计划。" },
    { role: "user", content: `报告主题是: ${topic}` },
  ]);

  return reportSections.sections;
});

const llmCall = task("sectionWriter", async (section: z.infer<typeof sectionSchema>) => {
  // 生成章节
  const result = await llm.invoke([
    {
      role: "system",
      content: "撰写报告章节。",
    },
    {
      role: "user",
      content: `章节名称是: ${section.name}，描述是: ${section.description}`,
    },
  ]);

  return result.content;
});

const synthesizer = task("synthesizer", async (completedSections: string[]) => {
  // 从各章节综合完整报告
  return completedSections.join("\n\n---\n\n");
});

// 构建工作流
const workflow = entrypoint(
  "orchestratorWorker",
  async (topic: string) => {
    const sections = await orchestrator(topic);
    const completedSections = await Promise.all(
      sections.map((section) => llmCall(section))
    );
    return synthesizer(completedSections);
  }
);

// 调用
const stream = await workflow.streamEvents("创建一份关于 LLM 缩放定律的报告", { version: "v3" });
for await (const snapshot of stream.values) {
  console.log(snapshot);
}

在 LangGraph 中创建工作者

编排器-工作者工作流很常见，LangGraph 对其有内置支持。Send API 允许您动态创建工作者节点并向其发送特定输入。每个工作者都有自己的状态，所有工作者的输出都写入一个共享的状态键，该键对编排器图是可访问的。这使得编排器可以访问所有工作者的输出，并允许将其综合成最终输出。下面的示例遍历章节列表，并使用 Send API 将每个章节发送给一个工作者。

import { StateGraph, StateSchema, ReducedValue, GraphNode, Send } from "@langchain/langgraph";
import * as z from "zod";

// 图状态
const State = new StateSchema({
  topic: z.string(),
  sections: z.array(z.custom<SectionsSchema>()),
  completedSections: new ReducedValue(
    z.array(z.string()).default(() => []),
    { reducer: (a, b) => a.concat(b) }
  ),
  finalReport: z.string(),
});

// 工作者状态
const WorkerState = new StateSchema({
  section: z.custom<SectionsSchema>(),
  completedSections: new ReducedValue(
    z.array(z.string()).default(() => []),
    { reducer: (a, b) => a.concat(b) }
  ),
});

// 节点
const orchestrator: GraphNode<typeof State> = async (state) => {
  // 生成查询
  const reportSections = await planner.invoke([
    { role: "system", content: "生成报告计划。" },
    { role: "user", content: `报告主题是: ${state.topic}` },
  ]);

  return { sections: reportSections.sections };
};

const llmCall: GraphNode<typeof WorkerState> = async (state) => {
  // 生成章节
  const section = await llm.invoke([
    {
      role: "system",
      content: "根据提供的名称和描述撰写报告章节。每个章节不要包含序言。使用 Markdown 格式。",
    },
    {
      role: "user",
      content: `章节名称是: ${state.section.name}，描述是: ${state.section.description}`,
    },
  ]);

  // 将更新后的章节写入已完成章节
  return { completedSections: [section.content] };
};

const synthesizer: GraphNode<typeof State> = async (state) => {
  // 已完成章节列表
  const completedSections = state.completedSections;

  // 将已完成章节格式化为字符串，用作最终章节的上下文
  const completedReportSections = completedSections.join("\n\n---\n\n");

  return { finalReport: completedReportSections };
};

// 条件边函数，用于创建撰写报告各章节的 llm_call 工作者
const assignWorkers: ConditionalEdgeRouter<typeof State, "llmCall"> = (state) => {
  // 通过 Send() API 并行启动章节撰写
  return state.sections.map((section) =>
    new Send("llmCall", { section })
  );
};

// 构建工作流
const orchestratorWorker = new StateGraph(State)
  .addNode("orchestrator", orchestrator)
  .addNode("llmCall", llmCall)
  .addNode("synthesizer", synthesizer)
  .addEdge("__start__", "orchestrator")
  .addConditionalEdges(
    "orchestrator",
    assignWorkers,
    ["llmCall"]
  )
  .addEdge("llmCall", "synthesizer")
  .addEdge("synthesizer", "__end__")
  .compile();

// 调用
const state = await orchestratorWorker.invoke({
  topic: "创建一份关于 LLM 缩放定律的报告"
});
console.log(state.finalReport);

评估器-优化器

在评估器-优化器工作流中，一次 LLM 调用生成响应，另一次评估该响应。如果评估器或人在回路确定响应需要改进，则提供反馈并重新生成响应。此循环持续进行，直到生成可接受的响应。评估器-优化器工作流通常用于任务有特定成功标准，但需要迭代才能达到该标准的情况。例如，在两种语言之间翻译文本时，并不总是有完美的匹配。可能需要几次迭代才能生成两种语言中含义相同的翻译。

import { StateGraph, StateSchema, GraphNode, ConditionalEdgeRouter } from "@langchain/langgraph";
import * as z from "zod";

// 图状态
const State = new StateSchema({
  joke: z.string(),
  topic: z.string(),
  feedback: z.string(),
  funnyOrNot: z.string(),
});

// 用于评估的结构化输出模式
const feedbackSchema = z.object({
  grade: z.enum(["funny", "not funny"]).describe(
    "判断笑话是否有趣。"
  ),
  feedback: z.string().describe(
    "如果笑话不好笑，提供如何改进的反馈。"
  ),
});

```typescript Functional API
import * as z from "zod";
import { task, entrypoint } from "@langchain/langgraph";

// 用于评估的结构化输出模式
const feedbackSchema = z.object({
  grade: z.enum(["funny", "not funny"]).describe(
    "判断这个笑话是否好笑。"
  ),
  feedback: z.string().describe(
    "如果笑话不好笑，请提供改进意见。"
  ),
});

// 使用模式来增强 LLM 以支持结构化输出
const evaluator = llm.withStructuredOutput(feedbackSchema);

// 任务
const llmCallGenerator = task("jokeGenerator", async (params: {
  topic: string;
  feedback?: z.infer<typeof feedbackSchema>;
}) => {
  // LLM 生成一个笑话
  const msg = params.feedback
    ? await llm.invoke(
        `Write a joke about ${params.topic} but take into account the feedback: ${params.feedback.feedback}`
      )
    : await llm.invoke(`Write a joke about ${params.topic}`);
  return msg.content;
});

const llmCallEvaluator = task("jokeEvaluator", async (joke: string) => {
  // LLM 评估笑话
  return evaluator.invoke(`Grade the joke ${joke}`);
});

// 构建工作流
const workflow = entrypoint(
  "optimizerWorkflow",
  async (topic: string) => {
    let feedback: z.infer<typeof feedbackSchema> | undefined;
    let joke: string;

    while (true) {
      joke = await llmCallGenerator({ topic, feedback });
      feedback = await llmCallEvaluator(joke);

      if (feedback.grade === "funny") {
        break;
      }
    }

    return joke;
  }
);

// 调用
const stream = await workflow.streamEvents("Cats", { version: "v3" });
for await (const snapshot of stream.values) {
  console.log(snapshot);
  console.log("\n");
}

智能体 (Agents)

智能体 (Agents) 通常实现为一个使用工具执行操作的 LLM。它们在连续的反馈循环中运行，适用于问题和解决方案无法预测的场景。智能体比工作流拥有更多的自主权，可以决定使用哪些工具以及如何解决问题。你仍然可以定义可用的工具集以及智能体行为的准则。

要开始使用智能体，请参阅快速入门或阅读更多关于其工作原理的内容（在 LangChain 中）。

使用工具

import { tool } from "@langchain/core/tools";
import * as z from "zod";

// 定义工具
const multiply = tool(
  ({ a, b }) => {
    return a * b;
  },
  {
    name: "multiply",
    description: "将两个数相乘",
    schema: z.object({
      a: z.number().describe("第一个数"),
      b: z.number().describe("第二个数"),
    }),
  }
);

const add = tool(
  ({ a, b }) => {
    return a + b;
  },
  {
    name: "add",
    description: "将两个数相加",
    schema: z.object({
      a: z.number().describe("第一个数"),
      b: z.number().describe("第二个数"),
    }),
  }
);

const divide = tool(
  ({ a, b }) => {
    return a / b;
  },
  {
    name: "divide",
    description: "将两个数相除",
    schema: z.object({
      a: z.number().describe("第一个数"),
      b: z.number().describe("第二个数"),
    }),
  }
);

// 使用工具增强 LLM
const tools = [add, multiply, divide];
const toolsByName = Object.fromEntries(tools.map((tool) => [tool.name, tool]));
const llmWithTools = llm.bindTools(tools);

import { StateGraph, StateSchema, MessagesValue, GraphNode, ConditionalEdgeRouter } from "@langchain/langgraph";
import { ToolNode } from "@langchain/langgraph/prebuilt";
import {
  SystemMessage,
  ToolMessage
} from "@langchain/core/messages";

// 图状态
const State = new StateSchema({
  messages: MessagesValue,
});

// 节点
const llmCall: GraphNode<typeof State> = async (state) => {
  // LLM 决定是否调用工具
  const result = await llmWithTools.invoke([
    {
      role: "system",
      content: "你是一个有用的助手，负责对一组输入执行算术运算。"
    },
    ...state.messages
  ]);

  return {
    messages: [result]
  };
};

const toolNode = new ToolNode(tools);

// 条件边函数，决定是路由到工具节点还是结束
const shouldContinue: ConditionalEdgeRouter<typeof State, "toolNode"> = (state) => {
  const messages = state.messages;
  const lastMessage = messages.at(-1);

  // 如果 LLM 进行了工具调用，则执行操作
  if (lastMessage?.tool_calls?.length) {
    return "toolNode";
  }
  // 否则，我们停止（回复用户）
  return "__end__";
};

// 构建工作流
const agentBuilder = new StateGraph(State)
  .addNode("llmCall", llmCall)
  .addNode("toolNode", toolNode)
  // 添加边以连接节点
  .addEdge("__start__", "llmCall")
  .addConditionalEdges(
    "llmCall",
    shouldContinue,
    ["toolNode", "__end__"]
  )
  .addEdge("toolNode", "llmCall")
  .compile();

// 调用
const messages = [{
  role: "user",
  content: "将 3 和 4 相加。"
}];
const result = await agentBuilder.invoke({ messages });
console.log(result.messages);

import { task, entrypoint, addMessages } from "@langchain/langgraph";
import { BaseMessageLike, ToolCall } from "@langchain/core/messages";

const callLlm = task("llmCall", async (messages: BaseMessageLike[]) => {
  // LLM 决定是否调用工具
  return llmWithTools.invoke([
    {
      role: "system",
      content: "你是一个有用的助手，负责对一组输入执行算术运算。"
    },
    ...messages
  ]);
});

const callTool = task("toolCall", async (toolCall: ToolCall) => {
  // 执行工具调用
  const tool = toolsByName[toolCall.name];
  return tool.invoke(toolCall.args);
});

const agent = entrypoint(
  "agent",
  async (messages) => {
    let llmResponse = await callLlm(messages);

    while (true) {
      if (!llmResponse.tool_calls?.length) {
        break;
      }

      // 执行工具
      const toolResults = await Promise.all(
        llmResponse.tool_calls.map((toolCall) => callTool(toolCall))
      );

      messages = addMessages(messages, [llmResponse, ...toolResults]);
      llmResponse = await callLlm(messages);
    }

    messages = addMessages(messages, [llmResponse]);
    return messages;
  }
);

// 调用
const messages = [{
  role: "user",
  content: "将 3 和 4 相加。"
}];

const stream = await agent.streamEvents([messages], { version: "v3" });
for await (const snapshot of stream.values) {
  console.log(snapshot);
}

工具节点 (ToolNode)

@[ToolNode] 是一个预构建节点，用于在 LangGraph 工作流中执行工具。它自动处理并行工具执行、错误处理和状态注入。当你需要精细控制图如何执行工具时，请使用 @[ToolNode]。这是驱动许多 LangGraph 智能体模式中工具执行的基本构建块。

import { ToolNode } from "@langchain/langgraph/prebuilt";
import { tool } from "@langchain/core/tools";
import * as z from "zod";

const search = tool(
  ({ query }) => `结果：${query}`,
  {
    name: "search",
    description: "搜索信息。",
    schema: z.object({ query: z.string() }),
  }
);

const calculator = tool(
  ({ expression }) => String(eval(expression)),
  {
    name: "calculator",
    description: "计算数学表达式。",
    schema: z.object({ expression: z.string() }),
  }
);

const toolNode = new ToolNode([search, calculator]);

从工具中访问图状态和上下文

由 ToolNode 执行的工具将模型生成的参数作为其第一个参数接收。要读取模型未生成的、图侧的数据，请使用以下选项之一：

在 Python 中，从注入的 @[ToolRuntime] 参数读取状态和运行时作用域上下文。
在 JavaScript 中，从工具的第二个参数（类型为 @[ToolRuntime]）读取状态和运行时作用域上下文。

工具只能访问传递给 ToolNode 的状态值。当 ToolNode 直接作为 StateGraph 节点添加时，该输入就是当前的图状态。如果你从另一个节点手动调用 ToolNode，当工具需要自定义状态字段时，请传递完整状态。例如，tool_node.invoke(state) 或 toolNode.invoke(state, config) 会暴露完整状态，而只传递 {"messages": state["messages"]} 或 { messages: state.messages } 则只暴露 messages。

import { AIMessage } from "@langchain/core/messages";
import { tool, type ToolRuntime } from "@langchain/core/tools";
import {
  MessagesValue,
  START,
  StateGraph,
  StateSchema,
} from "@langchain/langgraph";
import { ToolNode } from "@langchain/langgraph/prebuilt";
import * as z from "zod";

const State = new StateSchema({
  messages: MessagesValue,
  userId: z.string(),
});

const ContextSchema = z.object({
  organizationId: z.string(),
});

const getUserInfo = tool(
  async (
    _input,
    runtime: ToolRuntime<typeof State.Type, typeof ContextSchema>,
  ) => {
    // 从传递给 ToolNode 的当前图状态中读取信息。
    const userIdFromState = runtime.state?.userId;
    const userIdFromTaskInput = (
      runtime.configurable as {
        __pregel_scratchpad?: { currentTaskInput?: { userId?: string } };
      }
    ).__pregel_scratchpad?.currentTaskInput?.userId;
    const userId = userIdFromState ?? userIdFromTaskInput;
    if (!userId) {
      throw new Error("ToolRuntime 状态中缺少 userId。");
    }

    // 使用运行时上下文来获取不属于图状态的、每次运行时明确指定的值。
    const organizationId = runtime.context.organizationId;

    return `组织 ${organizationId} 中的用户 ${userId}`;
  },
  {
    name: "get_user_info",
    description: "查询用户信息。",
    schema: z.object({}),
  },
);

const graph = new StateGraph(State, ContextSchema)
  .addNode("tools", new ToolNode([getUserInfo]))
  .addEdge(START, "tools")
  .compile();

const result = await graph.invoke(
  {
    messages: [
      new AIMessage({
        content: "",
        tool_calls: [{ name: "get_user_info", args: {}, id: "call_user_info" }],
      }),
    ],
    userId: "user_123",
  },
  { context: { organizationId: "org_456" } },
);

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.

Edit this page on GitHub or file an issue.

Get started

Capabilities

Production

Frontend

LangGraph APIs

设置

LLM 与增强

提示链

并行化

路由

编排器-工作者

在 LangGraph 中创建工作者

评估器-优化器

智能体 (Agents)

工具节点 (ToolNode)

从工具中访问图状态和上下文

​设置

​LLM 与增强

​提示链

​并行化

​路由

​编排器-工作者

​在 LangGraph 中创建工作者

​评估器-优化器

​智能体 (Agents)

​工具节点 (ToolNode)

​从工具中访问图状态和上下文

设置

LLM 与增强

提示链

并行化

路由

编排器-工作者

在 LangGraph 中创建工作者

评估器-优化器

智能体 (Agents)

工具节点 (ToolNode)

从工具中访问图状态和上下文