阶段：G1-核心心智模型 ｜ 预计耗时：45-60 分钟 ｜ 前置：G0 验收通过 代码：
langgraph-learn/examples/01_tool_agent.py（已跑通的计算器 agent，本篇把它拆开） 关联归档：学习 01 篇（为什么要自己敲命令）
学习目标
- 逐行理解这个 50 行文件：工具怎么定义、模型怎么接、agent 怎么造、消息轨迹怎么读
- 建立核心心智模型：Agent = 模型在循环里反复决定"说话还是调工具"
- 做 3 次改动实验，每次先预测再运行
核心知识（逐行解剖）
1. 工具 = 带文档字符串的普通函数
@tool
def add(a: int, b: int) -> int:
"""两数相加"""
return a + b
@tool装饰器做三件事：把函数签名变成参数 schema、把 docstring 变成工具说明书、包一层"模型说调用就执行"的协议- docstring 是写给模型看的——模型靠它判断"这个工具是干嘛的、什么时候用"。写成"adds numbers"和写成"两数相加"会影响模型选择
- 类型注解不是摆设：模型生成参数时按 schema 来
2. 模型 = OpenAI 兼容协议的一个实例
llm = ChatOpenAI(model=..., api_key=os.environ["SILICONFLOW_API_KEY"], base_url="https://api.siliconflow.cn/v1")
- 任何兼容 OpenAI 协议的服务都能这样接（SiliconFlow/DeepSeek 官方/Ollama）——一套代码换厂商
temperature=0：要的是稳定执行，不是创作
3. create_agent：框架替你写好了 ReAct 循环
agent = create_agent(model=llm, tools=[add, multiply], system_prompt="...")
它内部是一张循环图（Studio 里能看）：agent节点 ⇄ tools节点，条件边判断"模型要求调工具就进 tools，否则结束"。G1-03 你会亲手把这个循环写一遍——写完才真正理解它。
4. 消息轨迹：结果里最有教材价值的部分
for m in result["messages"]: print(f"[{m.__class__.__name__}] ...")
运行后你会看到类似四条消息：
[HumanMessage] 请计算 (3+5)×12 等于多少？
[AIMessage] (工具调用请求) ← 模型决定调 add(3,5)
[ToolMessage] 8 ← 工具执行结果
[AIMessage] 最终答案... ← 模型继续决定：再调 multiply(8,12)
这就是 Agent 的全部秘密：模型每轮看一遍全部消息，决定"调下一个工具"还是"回答完毕"。
实验任务（3 次改动，每次先写预期）
- 换模型：
LG_MODEL=deepseek-ai/DeepSeek-V3-2 .venv/Scripts/python.exe examples/01_tool_agent.py（注：模型名以 SiliconFlow 控制台为准） - 观察：两个模型的工具调用轨迹有何不同？（调用次数、参数、话术） - 加第三个工具：写一个
@tool def power(base: int, exp: int)——验证你理解了工具定义 - 改 system_prompt：删掉"禁止心算"再跑——模型会不会直接心算报答案？（这就是为什么 prompt 里要有硬性要求）
验收标准
衔接下一阶段
会用高层 API 了 → G1-02 State 与 Reducer：图内部靠什么记住中间结果。