# 传统AI方法：要么纯推理，要么纯行动def traditional_reasoning_only(question):    """纯推理方法：仅基于训练数据回答"""    return "基于我的训练数据，今天可能是晴天"def traditional_action_only(question):    """纯行动方法：直接调用API，缺乏思考"""    # 模拟直接调用API，没有推理过程    if "天气" in question:        return "晴天，温度25°C"  # 硬编码结果，没有推理    return "无法处理"# ReAct方法：推理和行动交替进行def react_approach(question):    """ReAct方法：推理和行动交替进行"""    # 第1步：推理 - 分析问题    reasoning = "用户问的是今天某城市的天气，我需要查询实时天气信息"    # 第2步：行动 - 执行查询    weather_result = weather_api("某城市")    # 第3步：推理 - 分析查询结果    reasoning = "查询结果显示今天某城市是晴天，温度25度，这是实时准确信息"    # 第4步：行动 - 生成最终答案    return"今天某城市是晴天，温度25度，适合外出"

from langchain_core.tools import tool@tooldef search_web(query: str):    """搜索互联网获取最新信息"""    # 实际调用搜索API    return "搜索结果..."@tooldef get_weather(city: str):    """查询城市天气"""    if city == "北京":        return "北京今天16度，晴"    return "未知城市"

tools = [search_web, get_weather]llm_with_tools = llm.bind_tools(tools)

response = llm_with_tools.invoke("北京天气怎么样？")# AI会自动生成：get_weather(city="北京")

import osimport jsonimport requestsfrom typing import Optional, Annotatedfrom pydantic import BaseModel, Fieldfrom langchain_openai import ChatOpenAIfrom langchain_core.tools import toolfrom langgraph.graph import StateGraph, END, STARTfrom langgraph.prebuilt import ToolNodefrom langchain_core.messages import HumanMessage, AnyMessage, AIMessagefrom typing import TypedDictimport operator# ========== 1. 配置 ==========os.environ["OPENAI_API_KEY"] = "your-api-key-here"llm = ChatOpenAI(model="gpt-4o-mini")# ========== 2. 定义工具 ==========@tooldef search_web(query: str):    """搜索互联网获取最新信息    Args:        query: 搜索关键词    """    print(f"[Tool] 正在搜索: {query}")    # 这里用一个简化的实现    # 实际项目可以接入真实的搜索API    return f"关于'{query}'的最新搜索结果：[这里是模拟的搜索结果]"@tooldef get_weather(city: str):    """查询城市天气    Args:        city: 城市名称    """    print(f"[Tool] 正在查询天气: {city}")    weather_data = {        "北京": "北京今天16度，天气晴朗",        "上海": "上海今天20度，多云",        "深圳": "深圳今天28度，有雨"    }    return weather_data.get(city, f"抱歉，暂时没有{city}的天气信息")@tooldef save_user_info(name: str, age: int, email: str, phone: str):    """保存用户信息到数据库    Args:        name: 用户姓名        age: 用户年龄        email: 邮箱地址        phone: 手机号    """    print(f"[Tool] 正在保存用户信息: {name}")    # 实际项目这里应该是真实的数据库操作    print(f"  - 姓名: {name}")    print(f"  - 年龄: {age}")    print(f"  - 邮箱: {email}")    print(f"  - 手机: {phone}")    return f"✅ 已成功保存 {name} 的信息"# ========== 3. 创建工具节点 ==========tools = [search_web, get_weather, save_user_info]tool_node = ToolNode(tools)# 绑定工具到模型llm_with_tools = llm.bind_tools(tools)# ========== 4. 定义图的状态 ==========class AgentState(TypedDict):    messages: Annotated[list[AnyMessage], operator.add]# ========== 5. 定义节点函数 ==========def call_model(state):    """调用大模型，让它决定要不要用工具"""    print(f"\n[call_model] 收到消息: {state['messages'][-1].content}")    messages = state['messages']    response = llm_with_tools.invoke(messages)    # 检查AI是否要调用工具    if response.tool_calls:        print(f"[call_model] AI决定调用工具: {[tc['name'] for tc in response.tool_calls]}")    else:        print("[call_model] AI决定直接回答")    return {"messages": [response]}# ========== 6. 定义路由函数 ==========def should_continue(state: AgentState):    """判断是否需要调用工具"""    messages = state["messages"]    last_message = messages[-1]    # 如果AI生成了tool_calls，就去执行工具    if last_message.tool_calls:        return "tools"    # 否则直接结束    return END# ========== 7. 构建图 ==========workflow = StateGraph(AgentState)# 添加节点workflow.add_node("agent", call_model)  # AI决策节点workflow.add_node("tools", tool_node)    # 工具执行节点# 设置入口workflow.add_edge(START, "agent")# 添加条件边：AI决定后，要么调用工具，要么结束workflow.add_conditional_edges(    "agent",    should_continue,    {        "tools": "tools",        END: END    })# 工具执行完后，回到AI节点让它总结结果workflow.add_edge("tools", "agent")# 编译graph = workflow.compile()# ========== 8. 测试函数 ==========def test_agent(query):    print("\n" + "="*70)    print(f"👤 用户: {query}")    print("="*70)    result = graph.invoke(        {"messages": [HumanMessage(content=query)]},        {"recursion_limit": 10}  # 防止无限循环    )    final_answer = result["messages"][-1].content    print(f"\n🤖 助手: {final_answer}")    print("="*70 + "\n")# ========== 9. 运行测试 ==========if __name__ == "__main__":    # 测试1：普通对话    test_agent("你好，请介绍一下你自己")    # 测试2：天气查询    test_agent("北京今天天气怎么样？")    # 测试3：联网搜索    test_agent("Claude 4.5 Sonnet有什么新功能？")    # 测试4：用户信息    test_agent("我叫李四，25岁，邮箱lisi@example.com，手机139xxxx321")    # 测试5：复杂任务（可能调用多个工具）    test_agent("帮我查一下上海的天气，然后搜索一下最近的AI新闻")

{    "name": "get_weather",    "args": {"city": "北京"}}

def tool_node(state):    results = []    for tool_call in state["messages"][-1].tool_calls:        # 找到对应的工具        tool = tools_by_name[tool_call["name"]]        # 执行工具        result = tool.invoke(tool_call["args"])        # 包装成ToolMessage        results.append(ToolMessage(content=result, ...))    return {"messages": results}