创建一个函数来返回 LLM 响应
您的聊天机器人现在已经集成了许多工具。当问题与已添加的任何工具都无关时，直接调用 LLM 仍然很有用。您现在将定义一个函数，用于检查对话中的最后一条消息是否包含潜在的工具调用。如果没有，聊天机器人将直接使用 LLM 返回答案。为同时处理用户的提问和机器人的回复，以下模块已为您导入，用于处理不同类型的消息。
from langchain_core.messages import AIMessage, HumanMessage
本练习是课程的一部分
使用 LangChain 设计 Agentic 系统
练习说明
- 使用
"messages"从state中获取最后一条消息。 - 编写条件语句，检查
last_message是否为AIMessage，且该消息包含tool_calls。 - 若条件满足，从
last_message的tool_calls中取出第一个"response"，并将其放入AIMessage的content字段中返回。 - 若条件不满足，对
model_with_tools调用.invoke()生成响应，传入来自state["messages"]的完整对话历史。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Extract the last message from the history
def call_model(state: MessagesState):
____ = ____["____"][____]
# If the last message has tool calls, return the tool's response
if isinstance(____, ____) and ____.____:
# Return only the messages from the tool call
return {"messages": [____(content=____.____[0]["____"])]}
# Otherwise, proceed with a regular LLM response
return {"messages": [____.____(____["____"])]}