完整项目：手把手做「旅行助手」

设计:一个大脑,三只手

🔧 手把手:完整可运行的「旅行助手」

下面整段 复制即可运行。给它三个工具,LangGraph 让它自动编排：

# pip install "langgraph>=0.2" "langchain-openai>=0.2"   # 钉版本，LangGraph 演进快
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="deepseek-chat",
                 base_url="https://api.deepseek.com", api_key="你的KEY")

def get_weather(city: str) -> str:
    """查询某城市未来几天的天气。"""           # 演示用假数据，真实项目换天气 API
    return f"{city}：周末晴转多云，18–26℃，适合出行。"

def train_price(route: str) -> str:
    """查询某条高铁线路的单程二等座票价。"""
    return "上海→杭州 高铁二等座约 73 元/人（单程）。"

def calculator(expression: str) -> str:
    """做精确数学计算，输入算式字符串。"""
    try:
        return str(eval(expression))              # 教学演示，生产别用 eval
    except Exception:
        return "算式无效"

agent = create_react_agent(llm, tools=[get_weather, train_price, calculator])

out = agent.invoke({"messages": [("user",
    "我和朋友 2 人下周末从上海去杭州玩两天，帮我看看天气、估算往返高铁总价、给点建议。")]})
print(out["messages"][-1].content)

运行后,它会自己排出顺序:查杭州天气 → 查上海到杭州单程票价(73) → 算往返两人的总价(单程 73 → 往返 ×2 → 两人 ×2,即 73*2*2 ≈ 292)→ 综合成一段建议(天气不错、往返高铁约 292 元、记得带件外套)。

📌 具体数字由模型当次计算得出,可能略有出入;重点看它会自己一步步规划、调用、综合,而不是这个确定的 292。

你只写了三个工具函数,"先查哪个、要不要算、怎么综合"全是它自己决定的——这就是多工具 agent 的威力,也是 LangGraph 替你省下的编排。

对比两个项目,你就懂了 agent 的两种典型形态

掌握这两种,你就能套出绝大多数实用智能体了。

我想做一个多工具的任务型 agent:『___』(我来描述,如:帮我做菜谱+算食材采购清单)。请帮我:① 列出它需要哪 3-4 个工具(名字+docstring) ② 给出用 LangGraph create_react_agent 组装的完整代码 ③ 一个能体现多步编排的测试问题。