LangChain 工具绑定：`bind_tools` vs `create_agent` 的区别

在 LangChain/LangGraph 中给模型添加工具有两种方式，它们的层级和用途完全不同。

---

一句话总结

• model.bind_tools() — 只告诉模型有哪些工具可用，不负责执行
• create_agent(tools=...) — 自动处理整个工具调用循环，开箱即用

---

model.bind_tools() — 底层接口

代码

from langchain_core.tools import tool
from langchain_openai import ChatOpenAI

@tool
def get_weather(city: str) -> str:
    """查询城市天气。"""
    return f"{city}: 晴天 25°C"

model = ChatOpenAI(model="gpt-4o-mini")
llm_with_tools = model.bind_tools([get_weather], tool_choice="any")

它做了什么？

1. 把工具的 JSON Schema（名字、参数、描述）附加到模型请求中
2. 模型知道可以返回 tool_calls
3. 仅此而已 — 不会自动执行工具

代码

from langchain.messages import HumanMessage, ToolMessage

# 1. 调用模型
response = llm_with_tools.invoke([HumanMessage(content="北京天气？")])

# 2. 手动执行工具
if response.tool_calls:
    tool_call = response.tool_calls[0]
    result = get_weather.invoke(tool_call["args"])

    # 3. 手动把结果传回模型
    tool_msg = ToolMessage(content=result, tool_call_id=tool_call["id"])
    final = llm_with_tools.invoke([
        HumanMessage(content="北京天气？"),
        response,
        tool_msg
    ])
    print(final.content)

tool_choice 参数

值	含义
"auto"	模型自己决定是否调工具（默认）
"any"	强制模型必须调用至少一个工具
"none"	禁止调用工具
{"type": "function", "function": {"name": "get_weather"}}	强制调用指定工具

---

create_agent(tools=...) — 高层封装

代码

from langchain.agents import create_agent
from langchain.messages import HumanMessage

agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是一个天气助手。"
)

# 一行搞定，不用管中间过程
result = agent.invoke({
    "messages": [HumanMessage(content="北京天气？")]
})
print(result["messages"][-1].content)

它做了什么？

内部自动完成了：

1. model.bind_tools(tools) — 绑定工具
2. 构建 StateGraph（推理节点 + 工具节点 + 条件边）
3. 自动循环：模型决策 → 执行工具 → 结果传回 → 直到完成

你不需要写任何循环逻辑。

---

对比总结

	model.bind_tools()	create_agent(tools=...)
层级	底层（模型级别）	高层（Agent 级别）
自动执行工具	❌ 需手动	✅ 自动
自动循环	❌ 需手动	✅ 自动
可定制性	高	低（固定 ReAct 模式）
代码量	多（需要写循环）	少（约 10 行）
适用场景	自定义 StateGraph	快速原型

---

什么时候用哪个？

用 bind_tools 的场景

• 你在自己搭建 StateGraph，需要完全控制节点和边
• 需要在工具调用前后加自定义逻辑（如审批、日志）
• 多 Agent 协作，每个 Agent 有不同的工具集
• 需要 tool_choice="any" 等精细控制

# 典型用法：自定义图中的推理节点
def reasoning_node(state):
    prompt = build_prompt(state)
    result = llm_with_tools.invoke(prompt)  # 用 bind_tools 后的模型
    return {"messages": [result]}

用 create_agent 的场景

• 快速验证想法
• 标准的 ReAct 问答 Agent
• 不需要复杂的控制流

# 典型用法：10 行代码搞定
agent = create_agent(model=model, tools=[...], system_prompt="...")
result = agent.invoke({"messages": [...]})

---

它们的关系

graph TD A["create_agent(tools=[...])"] --> B["内部调用 model.bind_tools(tools)"] B --> C["构建 StateGraph"] C --> D["添加推理节点 + 工具节点"] D --> E["添加条件边（should_continue）"] E --> F["编译输出可运行的 Agent"]

create_agent 是 bind_tools + StateGraph 的语法糖。当语法糖不够用时（需要自定义流程），你就退回到 bind_tools + 手动搭图。

---

实际项目中的选择

项目阶段	推荐方式
概念验证 / Demo	create_agent
生产级 Agent（需要审批、分类、多步骤）	bind_tools + 自定义 StateGraph
多 Agent 系统	每个子 Agent 用 bind_tools，Supervisor 协调