LangChain 工具实战：把回答引用规范变成可调用的智能体

知识管理与客服团队经常要做「回答引用规范」这类事：让问答助手按规范引用来源。每次都从头写提示词，结果时好时坏；把它做成智能体 Skill，就能让智能体每次按同一套步骤执行，输出结构也更稳定。

本文介绍如何在 LangChain / LangGraph 工具 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

项目	说明
技能	回答引用规范（`answer-citation`）
作用	让问答助手按规范引用来源
输入	回答样本
输出	引用规范
形态	纯提示词
风险	低
适用人群	知识管理与客服团队

处理流程分四步：

定义引用格式
标注段落
检查准确
处理多来源

这个技能纯指令型，不需要额外脚本或外部连接，复制到大多数平台都能用；风险较低，但输出仍需快速过目再使用。

在 LangChain / LangGraph 工具中是什么形态

LangChain 用 @tool 装饰器把函数变成工具，LangGraph 提供预置的 ReAct 智能体，也可以自己画状态图，把技能拆成可观察、可重试的节点。

代码运行在你的环境中；流程复杂时建议从预置智能体起步，再逐步换成自定义图。

示例配置

# 示意代码：LangChain 工具 + LangGraph 预置 ReAct 智能体
from langchain_core.tools import tool
from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent

@tool
def answer_citation_precheck(content: str) -> str:
    """检查回答样本是否齐全，返回缺失项。"""
    return "ok" if content.strip() else "输入为空"

model = init_chat_model("你的模型标识")
agent = create_react_agent(
    model, tools=[answer_citation_precheck],
    prompt="你负责回答引用规范：定义引用格式；标注段落；检查准确；处理多来源。",
)
out = agent.invoke({"messages": [("user", "这是回答样本：...")]})

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在知识管理与客服团队提出相关请求时能对上号；二是约束部分要写进「回答必须有出处，没有依据时如实说明」这类领域规矩，避免智能体自作主张。

安装与启用步骤

安装 LangChain 与 LangGraph
用 @tool 定义预检查、读取等工具
用预置智能体快速跑通
需要固定流程时改为自定义状态图，每一步一个节点
接入追踪工具观察每一步

实操：一次完整的运行

假设你在文档库与检索系统中发出这样的请求（虚构示例）：

用回答引用规范技能处理这份回答样本，输出引用规范。

智能体识别到任务与「回答引用规范」相关后，会依次定义引用格式、标注段落、检查准确、处理多来源。最终交付引用规范，并在末尾列出需要人工确认的内容。你的工作是对照原始回答样本抽查两三处关键信息，确认无误后再使用。

测试与验收

对每个节点单独写测试，再跑一次端到端用例。

针对这个技能，还建议额外准备：

一份信息齐全的标准回答样本，检查输出是否完整
一份缺少关键信息的输入，检查智能体是否先提问而不是编造
一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

一开始就设计复杂的多节点图，调试成本高。
工具 docstring 缺失，模型不知道如何使用。
只写了步骤，没写交付格式，导致每次输出的引用规范结构不同。
没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。