#100DaysOfAgent Day 5
今天学习了 LangGraph 工具系统进阶，重点掌握了 Reducer 机制、工具错误处理、并行工具调用与循环保护。
收获
1. Reducer 的真正绑定方式
Reducer 是告诉 LangGraph「字段更新时该怎么合并」的函数，必须通过Annotated显式绑定才会生效。
# ❌ 03 的问题：定义了 merge_stats 函数，但没绑定，实际行为还是"覆盖"task_stats:dict[str,int]=Field(default_factory=dict)# ✅ 04 的修复：用 Annotated 第二个参数绑定，每次更新都会触发累加task_stats:Annotated[dict[str,int],merge_stats]=Field(default_factory=dict)merge_stats的逻辑是按 key 累加，例如：
{"search": 1} + {"search": 2, "weather": 1} => {"search": 3, "weather": 1}类比 Django 的aggregate(Sum('views'))，把分散的值累加到一起，而不是每次都覆盖。
2. 节点返回 dict vs 返回 State 实例的区别
节点函数有两种返回方式，语义完全不同：
| 返回方式 | 语义 | 类比 |
|---|---|---|
返回dict | 部分更新，只更新 dict 里的 key，其他字段保持不变 | Django.update({"name": "Alex"}) |
返回State实例 | 全量替换，其他字段会被默认值覆盖 | 整条记录覆盖写入 |
工程上几乎总是返回 dict，避免意外清空其他字段。
3. @tool 装饰器的本质
@tool不只是普通装饰器，它会把函数替换成一个StructuredTool对象：
@tooldefsearch_docs(query:str)->str:"""Search internal documentation for a query keyword."""...装饰后search_docs拥有.invoke()/.name/.description等属性，可以被model.bind_tools()识别并传给 LLM 使用。调用时.invoke(tc["args"])会自动把 dict 参数解包成命名参数，并做类型校验。类比 Django 的@login_required，把原函数包裹成带额外能力的新 callable。
4. 工具错误处理：不让图崩溃
tool_node对每个工具调用加了try/except，工具报错时把错误信息作为ToolMessage回传给 LLM，让 LLM 自主决定如何应对，而不是让整张图直接崩溃：
try:observation=fn.invoke(tc["args"])exceptExceptionase:observation=f"Tool error ({type(e).__name__}):{e}"results.append(ToolMessage(content=str(observation),tool_call_id=tc["id"]))例如100 / 0会触发ZeroDivisionError，LLM 收到错误提示后会告知用户无法计算，而不是程序崩溃。
5. recursion_limit 循环保护
LLM 有可能陷入「调用工具 → 得到结果 → 继续调用同一工具」的死循环，recursion_limit是图级别的硬上限：
config={"configurable":{"thread_id":"demo-04"},"recursion_limit":15,# 默认值是 25，超过抛 GraphRecursionError}类比 Django 的MAX_REQUEST_SIZE，防止无限资源消耗。工程上通常根据业务复杂度设置，简单问答场景 10-15 步足够。
6. 图的整体结构
START ↓ llm_call ──有工具调用──→ tool_node ↑ | └──────────────────────────┘ │ └──无工具调用──→ to_output → ENDshould_continue是条件路由函数，检查最后一条消息是否有tool_callsto_output节点负责从 messages 里提取最终答案，输出给OutputStateOutputState屏蔽了messages字段，外部调用者只看到干净的结构化输出
