我们首先需要创建我们想要使用的工具。我们选择的主要工具是 Tavily（一款互联网搜索引，每个月可以有 1000 次免费搜索）。LangChain 中有一个内置工具，可以让我们轻松使用 Tavily 搜索引擎作为工具。

可以看到，我们的搜索工具按照设定从 2 个地方获取到了今天合肥的天气。

首先我们创建 LLM，并使用 .bind_tools 为语言模型提供这些工具的知识：：

现在我们可以调用该模型了。我们先用普通消息调用它，看看它如何响应。我们可以查看 content 字段以及 tool_calls 字段。

现在，让我们尝试使用一些需要调用工具的输入来调用它。

我们可以看到现在没有文本内容，但有一个工具调用！它希望我们调用 Tavily Search 工具。

但是这还没有调用该工具，它只是告诉我们它需要这样做。为了真正调用它，我们需要创建我们的 Agent。

现在我们已经定义了工具和 LLM，我们可以创建 Agent 了。我们将使用 LangGraph 来构建 Agent。目前，我们使用高级接口来构建 Agent，但 LangGraph 的优点在于，如果你想要修改 Agent 逻辑，这个高级接口由低级、高度可控的 API 支持。

现在，我们可以使用 LLM 和工具初始化 Agent。

请注意，我们传入的是模型，而不是 model_with_tools。这是因为 create_react_agent 会在后台为我们调用 .bind_tools。

我们现在可以通过几个查询来运行 Agent！请注意，目前这些都是无状态查询（它不会记住以前的交互）。请注意，Agent 将在交互结束时返回最终状态（其中包括任何输入，我们稍后将了解如何仅获取输出）。

首先，让我们看看当不需要调用工具时它如何响应：

现在让我们在一个应该调用该工具的示例上尝试一下：

我们已经了解了如何使用 .invoke 调用 Agent 来获取最终响应。如果 Agent 执行多个步骤，这可能需要一段时间。为了显示中间进度，我们可以在消息发生时回传消息。

用户看到有中间消息，就不会感觉等待时间过长了。

如前所述，此 Agent 是无状态的。这意味着它不记得以前的交互。为了给它记忆，我们需要传入一个检查点。传入检查点时，我们还必须在调用 Agent 时传入一个thread_id（这样它就知道从哪个线程/对话恢复）。

如果你想开始一个新的对话，你所要做的就是改变使用的thread_id：