解构 LangChain Tool Calling：从 Schema 定义到 Agent 执行循环的深度解析本文基于 N

摘要： 在 2026 年的今天，仅仅会调用 model.invoke 已经无法满足复杂的业务需求。本文将带你从零开始，通过对比“基础大模型调用”与“工具增强型智能体”的代码实现，深入剖析 AI Agent 的核心架构（LLM + Tools + Loop）。我们将手把手教你如何让 AI 拥抱“手脚”，实现真正的自主行动。

🧠 引言：Prompt Engineering 已死，Agentic Engineering 当立

如果你还在通过简单的 console.log(await model.invoke("你好")) 来使用 AI，那么你可能正在浪费大模型的潜力。

回顾我们对 AI 应用的认知，已经发生了翻天覆地的变化：

过去（LLM Era）： 我们认为 AI 是一个超级大脑，通过精心设计的 Prompt（提示词）来获取答案。
现在（Agent Era）： 我们意识到 AI 应该是一个智能体（Agent） 。它不仅有大脑（LLM），还有记忆（Memory）、知识库（RAG）和手脚（Tools）。

正如我们在核心理念中所总结的：

AI Agent = LLM（思考） + Memory（记忆） + Tools（行动） + RAG（知识）

今天，我们将重点攻克 Tools（工具） 与 Loop（循环） ，利用 Node.js 和 LangChain，打造一个能读取文件、分析代码的“Cursor”最小雏形。

🆚第一部分：冰与火之歌——基础模型 vs 智能体

为了让你直观感受两者的区别，我们准备了两段核心代码进行对比。

1. 基础版：单向的“传声筒”

这是最原始的 LLM 调用方式，对应我们代码库中的基础调用逻辑。

import { ChatOpenAI } from '@langchain/openai';
import dotenv from 'dotenv';
dotenv.config();

// 1. 初始化模型
const model = new ChatOpenAI({
    modelName: process.env.MODEL_NAME,
    apiKey: process.env.OPENAI_API_KEY,
    configuration: {
        baseURL: process.env.OPENAI_API_BASE_URL
    }
});

// 2. 单次对话
const response = await model.invoke("介绍下高德地图");
console.log(response.content);

痛点分析：
这段代码只能进行单次、无状态的交互。它像一个被蒙上眼睛的天才，虽然知识渊博，但无法感知外部世界，也无法执行任何操作。如果让它写代码，它只能凭空想象，无法读取现有文件。

2. 进阶版：拥有“手脚”的智能体

这是我们今天的主角，一个具备文件读取能力的 Agent。

// ... 导入必要的模块 (LangChain, fs, zod) ...

// 1. 定义工具 (Tools) - 给 AI 装上手脚
const readFileTool = tool(
  async ({ path }) => {
    const content = await fs.readFile(path, 'utf-8');
    return content; // 返回文件内容
  },
  {
    name: 'read_file',
    description: '当用户需要读取文件内容时调用此工具',
    schema: z.object({ path: z.string().describe('文件路径') })
  }
);

⚙️ 第二部分：核心架构解密——Agent 的“心跳”

让 AI 变得智能的关键，不在于工具本身，而在于 Agent Loop（智能体循环） 。这是 AI 思考、行动、观察的闭环。

1. 绑定工具

首先，我们将工具交给模型，让它知道“我能做什么”。

const modelWithTools = model.bindTools([readFileTool]);

2. 构建记忆（Message History）

Agent 需要记住刚才发生了什么，所以我们维护了一个 messages 数组。

const messages = [
  new SystemMessage("你是一个代码助手..."), // 角色设定
  new HumanMessage('请读取当前文件并解释代码') // 用户指令
];

3. 核心循环 (The Loop)

这是最精彩的部分，也是 while 循环存在的意义。

let response = await modelWithTools.invoke(messages);

// 【关键】Agent Loop：只要 AI 想调用工具，就一直循环
while (response.tool_calls && response.tool_calls.length > 0) {
  console.log(`[检测到工具调用]`);
  
  // Step 1: 并发执行工具 (Promise.all 提升效率)
  const toolResults = await Promise.all(
    response.tool_calls.map(async (toolCall) => {
      const tool = findToolByName(toolCall.name);
      return await tool.invoke(toolCall.args); // 执行工具
    })
  );

  // Step 2: 将工具执行结果（Observation）塞回给 AI
  response.tool_calls.forEach((toolCall, index) => {
    messages.push(
      new ToolMessage({
        content: toolResults[index], // 工具返回的数据
        tool_call_id: toolCall.id // 关联 ID
      })
    );
  });

  // Step 3: 让 AI 基于新信息进行下一轮思考
  response = await modelWithTools.invoke(messages);
}

// 循环结束，输出最终结果
console.log(response.content);

💡 第三部分：深度思考——为什么这样设计？

这种架构设计解决了传统 AI 开发的三大痛点：

1. 为什么用 `while` 循环？

大模型本质上是“短视”的，一次只能做一个决定。

第一轮： 你让它解释代码，它想：“我得先读文件” -> 调用 read_file。
第二轮： 你把文件内容给它，它想：“哦，原来是这样” -> 生成解释。
如果没有 while 循环，AI 就会在第一步卡住，无法完成任务。

2. 为什么用 `Promise.all()`？

如果 AI 同时需要读取 10 个文件，你是让它一个一个读（串行），还是同时读（并行）？
Promise.all() 让 Agent 能够并发执行多个工具，这是实现高性能 Agent 的关键。

3. 从 Cursor 到 Manus

Cursor 的本质： 就是 LLM + File System Tools。它通过工具读写文件，通过循环不断修正代码。
Manus 的本质： 是 LLM + Web Browsing Tools + Planning。它能拆解复杂任务，通过多步工具调用完成上网、搜索、下单等操作。

🚀 结语：拥抱 Agentic Engineering

2026 年，AI 开发的范式已经从 Prompt Engineering（提示词工程） 转向了 Agentic Engineering（智能体工程） 。

作为全栈开发者，我们不再仅仅是调用 API，而是构建 AI 的大脑（LLM） 、记忆（Memory）和手脚（Tools） 。

下一步建议：

扩展工具箱： 尝试加入 write_file（写文件）和 execute_command（执行命令）工具。
引入记忆： 使用 ConversationBufferMemory 让 AI 记住上下文。
接入 RAG： 让 AI 能基于你的私有文档回答问题。

代码即智能，工具即力量。 现在，你已经拥有了构建属于自己的 AI 助手的钥匙。

解构 LangChain Tool Calling：从 Schema 定义到 Agent 执行循环的深度解析