LangChain createAgent 源码：ToolNode 与工具执行循环

上一小节最后，咱们在 AgentNode.#invokeModel() 中执行到了这里：

const response = await modelWithTools.invoke(
	messages,
	config
)

return response

代码路径在：

modelWithTools.invoke() 调用模型以后，返回了一条包含 Tool Call 的 AIMessage：

不过，上一节的源码只追到了模型返回这里，get_task 还没有真正执行。

因此，咱们就继续在同一个 AgentNode.ts，从 modelWithTools.invoke() 的返回值接着往下看。

baseHandler 返回 AIMessage 以后，#invokeModel() 会继续把它返回给 AgentNode.#run()：

回到 #run()，对应的是下面这段代码：

const {
	response,
	lastAiMessage,
	collectedCommands
} = await this.#invokeModel(state, config)

也给大家放张截图，省得找不到代码位置：

现在，response 中保存的就是刚才那条 AIMessage。

接下来，源码需要使用这条消息完成后半段执行逻辑

从 AgentNode.#run() 继续往下

第一步：把模型返回的 Tool Call 写入 State

咱们这次的代码案例第一次模型调用返回：

[AIMessage 1]
get_task({"taskId":"TASK-1024"}) id=call_get_task

模型集成包会把 LLM 厂商接口返回的数据整理成 AIMessage。

对于一次 Tool Call，最重要的是下面三个字段：

{
	name: 'get_task',
	args: { taskId: 'TASK-1024' },
	id: 'call_get_task'
}

• name 表示模型要调用哪个 Tool
• args 是模型生成的参数
• id 则是本次 Tool Call 的唯一标识。

现在，#run() 已经拿到了 #invokeModel() 返回的 response。

不过，response 不一定永