LangChain createAgent 源码：模型调用与 Middleware 执行

上一小节最后，ReactAgent 已经把 Agent 编译成了一张可以执行的 CompiledStateGraph。

咱们也看到，调用 agent.invoke() 时，真正执行的是：

this.#graph.invoke(...)

但是，这里还有一个最关键的问题没有解决。

Graph 运行起来以后，第一个执行的 model_request 里面到底做了什么？

比如用户输入：

查询 TASK-1024 的任务状态和最近一次测试结果。

面对这个请求，Agent 首先要完成一次模型调用，让模型判断下一步应该做什么。

但是，这次调用并不是简单执行一句 model.invoke()。

用户传入的 messages 怎样成为 Agent State？AgentNode 怎样整理 ModelRequest？LangChain 又怎样把 Tool Schema 绑定到模型，并最终得到包含 Tool Call 的 AIMessage？

这一小节，咱们先把第一次模型调用完整走通。

至于模型返回 Tool Call 以后，ToolNode 怎样执行 Tool、结果怎样回注，以及 Agent Loop 怎样结束，统一放到下一小节继续讲。

从 demo 开始

之前大家看源码都是直接从下载好的源码开始看的。

这次咱们稍微变一变，从一个写好的 demo 开始看，先看运行的结果，然后根据结果再来看源码流程。要是还像之前一样，估计很多同学会看不懂。

本小节的代码在：

/Code/Node/第五章/11-langchain-source-agent-run

我在 scripted-model.js 中准备了一个固定回复的模拟模型，保证大家每次运行都能得到相同的 Tool Call

真正要看的代码是：

agent-run-trace.js

进入项目目录，安装依赖并运行：

cd /Code/Node/第五章/11-langchain-source-agent-run
npm install
npm run trace

这里需要使用 Node.js 20 或更高版本。如果运行时出现 ReadableStream is not defined，先通过 node -v 检查当前终端是不是还在使用 Node.js 16。

先看下完整的输出：

完整输出稍微有点长，大家主要看 [最终 messages] 里面的内容，就是下面这些：

[最终 messages]
01. HumanMessage → 查询 TASK-1024 的任务状态和最近一次测试结果。
02. AIMessage → Tool Call
    get_task({"taskId":"TASK-1024"}) id=call_get_task
03. ToolMessage(get_task) → {"taskId":"TASK-1024","title":"实现任务优先级筛选","status":"active"}
    tool_call_id=call_get_task
04. AIMessage → Tool Call