Langchain的联网搜索Agent使用Tavily工具在 LangChain 中Tavily 是一款专为大型语言模型LLMs和检索增强生成RAG优化的搜索引擎 API。它能够提供结构化、带溯源的搜索结果非常适合用来赋予 Agent 实时联网搜索的能力。下面我将为你演示如何在 LangChain 中配置并使用 Tavily 工具来构建一个搜索 Agent。第一步安装依赖与配置 API Key首先你需要安装 LangChain 的 Tavily 集成包并获取 Tavily 的 API Key可以在 Tavily 官网注册获取。pipinstall-Ulangchain-tavily langchain-openai在代码或环境变量中配置你的密钥importos os.environ[TAVILY_API_KEY]你的Tavily-API-Keyos.environ[OPENAI_API_KEY]你的OpenAI-API-Key第二步基础工具绑定与调用LangChain 提供了TavilySearch工具类。你可以将其直接绑定到支持工具调用的 LLM如 GPT-4o上fromlangchain_core.messagesimportHumanMessagefromlangchain_openaiimportChatOpenAIfromlangchain_tavilyimportTavilySearch# 1. 定义模型与工具modelChatOpenAI(modelgpt-4o-mini)toolTavilySearch(max_results4)# 2. 将工具绑定到模型model_with_toolsmodel.bind_tools([tool])# 3. 发起对话触发模型调用工具messages[HumanMessage(北京今天的天气怎么样)]ai_messagemodel_with_tools.invoke(messages)messages.append(ai_message)# 4. 手动执行工具并将结果反馈给模型fortool_callinai_message.tool_calls:tool_messagetool.invoke(tool_call)messages.append(tool_message)# 5. 模型根据搜索结果生成最终回答final_responsemodel.invoke(messages)print(final_response.content)第三步构建自动化的搜索 Agent在实际应用中我们通常不希望手动去循环执行工具而是使用 LangChain 的 Agent 框架让它自主决策。你可以使用create_tool_calling_agent配合AgentExecutor来实现fromlangchain_core.promptsimportChatPromptTemplate,MessagesPlaceholderfromlangchain.agentsimportcreate_tool_calling_agent,AgentExecutor# 1. 定义提示词模板必须包含 agent_scratchpad 用于记录工具调用过程promptChatPromptTemplate.from_messages([(system,你是一个乐于助人的AI助手。当遇到不确定的实时信息时请使用搜索工具获取答案。),(human,{input}),MessagesPlaceholder(variable_nameagent_scratchpad),])# 2. 创建 Agent 并传入工具agentcreate_tool_calling_agent(llmmodel,tools[tool],promptprompt)# 3. 使用 AgentExecutor 包装并运行agent_executorAgentExecutor(agentagent,tools[tool],verboseTrue)resultagent_executor.invoke({input:最近一周有什么重大的AI科技新闻})print(result[output])核心机制解析Function Call 模式Tavily 在 LangChain 中主要通过 Function Call结构化函数调用模式工作。LLM 会生成 JSON 格式的调用参数如{query: 北京天气}LangChain 拦截后自动调用 Tavily API并将返回的 URL、摘要等结构化数据作为ToolMessage传回给 LLM。丰富的返回数据通过tool_msg.artifact你不仅能获取到网页的标题和摘要Snippets还能获取到原始搜索结果列表、图片链接甚至后续追问建议Follow-up questions这对于构建高质量的 RAG 系统非常有帮助。要不要我把这个联网搜索 Agent 整合到之前搭建的 LangGraph 多智能体客服系统中比如当用户问实时新闻或天气时自动触发搜索节点。LangGraph的联网搜索 Agent 使用Tavily工具将联网搜索 Agent 整合到 LangGraph 多智能体系统中最优雅的方式是构建一个**“混合检索路由Agentic Hybrid RAG”**架构。在这个架构中系统会先对用户的问题进行意图分类然后动态决定是查询本地知识库向量搜索还是调用 Tavily 进行实时网络搜索。下面为你提供完整的实战代码演示如何将 Tavily 搜索工具无缝集成到之前的客服系统中核心代码实现importosfromtypingimportTypedDict,Annotatedfromlanggraph.graphimportStateGraph,START,ENDfromlanggraph.graph.messageimportadd_messagesfromlanggraph.prebuiltimportcreate_react_agentfromlangchain_core.messagesimportHumanMessage,AIMessagefromlangchain_tavilyimportTavilySearchfromlangchain_openaiimportChatOpenAI# 1. 初始化模型与工具 llmChatOpenAI(modelgpt-4o-mini)# 初始化 Tavily 搜索工具search_toolTavilySearch(max_results3,tavily_api_keyos.getenv(TAVILY_API_KEY))tools[search_tool]# 2. 定义共享状态 classAgentState(TypedDict):messages:Annotated[list,add_messages]intent:str# 记录路由意图# 3. 定义专职节点 # 意图识别节点判断是否需要联网搜索defrouter_node(state:AgentState):last_msgstate[messages][-1].content.lower()# 简单的关键词判断实际生产中可替换为 LLM 意图分类ifany(keywordinlast_msgforkeywordin[天气,新闻,最新,今天]):return{intent:SEARCH}return{intent:LOCAL}# 本地客服节点模拟deflocal_agent_node(state:AgentState):return{messages:[AIMessage(content【本地客服】已为您查询本地知识库...)]}# 联网搜索节点使用预构建的 ReAct Agent 处理复杂搜索defsearch_agent_node(state:AgentState):# 利用 LangGraph 预构建的 ReAct Agent 自动调用 Tavilysearch_agentcreate_react_agent(modelllm,toolstools,prompt你是一个搜索助手请根据用户问题调用 Tavily 搜索工具并总结搜索结果。)resultsearch_agent.invoke({messages:state[messages]})return{messages:result[messages]}# 4. 构建工作流图 workflowStateGraph(AgentState)workflow.add_node(router,router_node)workflow.add_node(local_agent,local_agent_node)workflow.add_node(search_agent,search_agent_node)# 设置入口workflow.add_edge(START,router)# 条件路由defroute_by_intent(state:AgentState):returnsearchifstate[intent]SEARCHelselocalworkflow.add_conditional_edges(router,route_by_intent,{search:search_agent,local:local_agent})# 所有分支最终汇聚到结束节点workflow.add_edge(local_agent,END)workflow.add_edge(search_agent,END)appworkflow.compile()# 5. 运行测试 test_queries[帮我查一下我的订单到哪了,北京今天天气怎么样,最近一周有什么重大的AI科技新闻]forqueryintest_queries:print(f 用户:{query})resultapp.invoke({messages:[HumanMessage(contentquery)]})print(f AI:{result[messages][-1].content}\n)架构亮点解析动态路由决策系统不再盲目地执行固定流水线。通过router_node系统能够根据用户的问题特征动态决定是将任务交给本地知识库还是交给联网搜索 Agent。ReAct 框架的无缝集成在search_agent_node中我们使用了 LangGraph 预构建的create_react_agent。它遵循“推理-行动-观察”Reason-Act-Observe框架能够自主决定何时调用 Tavily并处理返回的复杂结构化数据无需我们手动编写循环逻辑。状态隔离与共享AgentState作为全局状态既包含了对话历史messages也包含了路由决策依据intent。搜索节点在获取到实时信息后会将结果追加到messages中保证上下文的连贯性。通过这套架构你的多智能体系统不仅具备了“记忆”和“多专家协作”的能力还长出了“感知外部实时世界”的眼睛真正达到了生产级智能客服的标准要不要我把 Tavily 的返回结果结构化处理一下让 AI 在总结时能直接引用来源 URL方便用户点击查看原始信息