一句话

create_tool_calling_agent 只返回决策用的 Runnable(“图纸”),真正执行工具、循环推理的是 AgentExecutor(“施工队”)。搭 Agent 要么用 AgentExecutor,要么用 LangGraph 把”执行循环”显式画成图,不可能完全裸跑。

1. 为什么必须配执行器?

  • create_tool_calling_agent(大脑/图纸):内部只是把提示词模板 + LLM 串起来的 RunnableSequence,只负责”决策要不要调工具”。
  • AgentExecutor(躯干/施工队):负责”执行循环”——LLM 说调工具就去执行,把结果塞回 agent_scratchpad,再让 LLM 继续,循环多次(ReAct)直到给出最终答案。

直接 agent.invoke(...) 时:若 LLM 返回普通文本 → 能输出;若 LLM 决定调工具(返回带 tool_calls 的 AIMessage)→ 工具不会真正执行,只会拿到一个 AIMessage,不是最终答案。

2. 手动模拟执行循环(能但繁琐)

不依赖 AgentExecutor 唯一办法是自己写循环:检测 tool_calls → 逐个执行工具 → 构造 ToolMessage → 重新喂给 Agent → 维护 agent_scratchpad 反复循环直到没有 tool_calls。多轮/异常/截断全靠手写,易错。这正是官方封装 AgentExecutor 的原因。

3. 底层原理:bind_tools 做了什么

  • create_agent(LangChain 风格):内部自动把工具 bind_tools 绑给 LLM,Agent 负责一切。
  • LangGraph:显式分步——你在节点里手动 llm.bind_tools(tools),再显式路由 tools_condition,把”绑定策略”交给开发者灵活控制。

两种方式的底层核心一致:给 LLM 注入工具的 JSON Schema(bind_tools),让模型按格式输出 tool_calls。

4. 三种建 Agent 方式对比

方式是否需 AgentExecutor特点
initialize_agent(旧)内部自动封装已 Deprecated,黑盒循环难定制
create_agent(LangChain 1.x 新 API)需要配合官方推荐现代接口,模块化可组合
LangGraph彻底不需要用图(StateGraph)代替黑盒循环,编译后 app.invoke() 自带循环能力,流程透明可控(可插人工审批、状态持久化)

5. 输入格式与返回值(LangGraph 细节)

  • 输入用字典 {"messages": [...]} —— 推荐统一字典格式,兼容性最好。
  • tools_condition:默认在有 tool_calls 时路由到工具节点,否则结束;可通过 should_continue 自定义路由逻辑。
  • 返回值:从 app.invoke() 的结果里取最终消息。

6. AgentExecutor 改造示例(手动循环 → 框架)

from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate
 
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent, tools=tools, verbose=True,
    max_iterations=3,                 # 防死循环
    handle_parsing_errors=True,       # 优雅处理解析错误
)
result = agent_executor.invoke({"input": query})

替换掉手写的 invoke → 检查 tool_calls → 执行工具 → 构造 ToolMessage → 二次 invoke 那一套,代码量减少 50%+,且自动处理多轮、异常、超时。

相关笔记