Tool Calling Agent（工具调用代理）是LangGraph支持的一种AI Agent代理架构。这个代理架构是在Router Agent的基础上，大模型可以自主选择并使用多种工具来完成某个条件分支中的任务。工具调用大家应该非常熟悉，当我们希望代理与外部系统交互时，工具就非常有用。大模型能根据用户的自然语言输入选择调用工具，并将返回符合该工具架构的输出。

在LangGraph框架中，可以直接使用预构建ToolNode进行工具调用，其内部实现原理和我们之前介绍的手动实现的Function Calling流程思路基本一致.

经过ToolNode工具后，其返回的是一个LangChain Runnable对象，会将图形状态（带有消息列表）作为输入并输出状态更新以及工具调用的结果，通过这种设计去适配LangGraph中其他的功能组件。比如我们后续要介绍的LangGraph预构建的更高级AI Agent架构 - ReAct，两者搭配起来可以开箱即用，同时通过ToolNode构建的工具对象也能与任何StateGraph一起使用，只要其状态中具有带有适当Reducer的messages键。由此，对于ToolNode的使用，有三个必要的点需要满足，即：

1. 状态必须包含消息列表。
2. 最后一条消息必须是AIMessage。
3. AIMessage必须填充tool_calls。

ToolNode使用消息列表对图状态进行操作。所以它要求消息列表中的最后一条消息是带有tool_calls参数的AIMessage ，比如我们可以手动调用工具节点

from langchain_core.messages import AIMessage

message_with_single_tool_call = AIMessage(
    content="",
    tool_calls=[
        {
            "name": "fetch_real_time_info",
            "args": {"query": "小米汽车"},
            "id": "tool_call_id",
            "type": "tool_call",
        }
    ],
)

tool_node.invoke({"messages": [message_with_single_tool_call]})

通过ToolNode(tools)可以根据参数来执行函数，并返回结果。而其前一步，根据自然语言生成执行具体某个函数必要参数的过程，则由大模型决定，所以一个完整的基于大模型的工具调用过程应该是，在实例化大模型的时候，就告诉大模型你都有哪些工具可以使用。这个过程可以通过bind_tools函数来实现.