如何在LangGraph工作流的节点中为LangChain模型集成web_search_preview工具

我明白你遇到的问题——直接用OpenAI客户端调用web_search_preview完全正常，但把它集成到LangGraph的LangChain模型节点里就没反应了。咱们一步步拆解问题，搞定这个集成：

1. 先纠正模型工具绑定的错误 #

你之前尝试用model.bind_tools()但没保存返回的新模型实例，这是关键问题！LangChain的bind_tools()是返回一个带工具的新模型对象，不会修改原模型。所以正确的绑定方式应该是：

from langchain_openai import ChatOpenAI

# 初始化基础模型
model = ChatOpenAI(
    model="gpt-4.1",
    temperature=0.3
)

# 绑定web_search_preview工具，保存为新的模型实例
model_with_tools = model.bind_tools(tools=[{"type": "web_search_preview"}])

2. 在LangGraph节点中使用带工具的模型 #

接下来修改你的conversation节点，使用这个绑定了工具的模型。另外要注意：模型返回的可能是工具调用请求，而不是直接的自然语言回复，所以你需要在工作流里处理这个调用逻辑——要么在节点内直接执行工具，要么在LangGraph里加分支让工具执行节点处理。

先看节点内的基础修改：

def conversation(state: AssistanceState) -> AssistanceState:
    user_profile = state.get("user_profile", {})
    system_content = f"""
    Eres un asistente culinario experto...
    {user_profile}
    """
    messages = [SystemMessage(content=system_content)] + state["messages"]
    
    # 使用绑定了工具的模型调用
    response = model_with_tools.invoke(messages)
    
    return {"messages": [response]}

3. 处理工具调用的完整LangGraph工作流 #

现在模型会在需要的时候返回工具调用请求，但你需要让LangGraph实际执行这个调用并把结果喂回模型。这时候要做两件事：

• 定义一个工具执行节点
• 在图中添加分支逻辑，判断是否需要执行工具

第一步：定义工具执行节点

因为web_search_preview是OpenAI的内置工具，你可以直接用OpenAI客户端处理（和你之前的search_web_openai逻辑类似）：

from langchain_core.messages import ToolMessage
from langchain_openai import OpenAI

# 执行web_search_preview工具的节点
def execute_web_search(state: AssistanceState) -> AssistanceState:
    # 提取模型返回的工具调用请求
    last_msg = state["messages"][-1]
    tool_call = last_msg.tool_calls[0]
    query = tool_call["function"]["arguments"]["query"]
    
    # 调用OpenAI客户端执行搜索
    client = OpenAI()
    search_response = client.responses.create(
        model="gpt-4.1",
        tools=[{"type": "web_search_preview"}],
        input=query
    )
    
    # 把搜索结果包装成工具返回消息，添加到对话历史
    tool_result = ToolMessage(
        content=str(search_response),
        tool_call_id=tool_call["id"]
    )
    
    return {"messages": [tool_result]}

第二步：添加分支逻辑和构建完整的图

你需要一个判断函数，来决定下一步是执行工具还是直接结束对话：

from langgraph.graph import StateGraph, START, END

# 判断是否需要执行工具
def should_call_tool(state: AssistanceState) -> str:
    last_message = state["messages"][-1]
    if hasattr(last_message, "tool_calls") and last_message.tool_calls:
        return "execute_tool"
    return END

# 构建状态图
graph_builder = StateGraph(AssistanceState)

# 添加节点
graph_builder.add_node("conversation", conversation)
graph_builder.add_node("execute_tool", execute_web_search)

# 添加边
graph_builder.add_edge(START, "conversation")
graph_builder.add_conditional_edges(
    "conversation",
    should_call_tool,
    {"execute_tool": "execute_tool", END: END}
)
graph_builder.add_edge("execute_tool", "conversation")

# 初始化内存
memory = MemorySaver()
graph = graph_builder.compile(checkpointer=memory)

关键注意点 #

• 绑定工具必须保存新实例：bind_tools不会修改原模型，一定要用返回的新模型调用invoke
• 处理工具调用循环：LangGraph需要知道什么时候执行工具，执行完后要把结果传回对话节点让模型继续生成回复
• 环境验证：确保你的LangChain、LangGraph和OpenAI SDK都是最新版本，避免兼容性问题

现在你可以测试这个工作流，模型会在需要的时候自动调用web_search_preview工具，执行后把结果整合到回复里。

内容来源于stack exchange