Agent Tool Call 구현 및 Tool 호출에 따른 조건 추가하기

Tool Call

Tool Call 방식은 Agent가 유기적으로 상황에 필요한 Tool을 호출하고 그거에 대한 답변을 반환하는 방식이다

그렇기 때문에 당연히 LLM을 로드하는 것부터가 시작이다

class My_Agent:
    def __init__(self):
        self.name = 'My_Agent'
        self.my_llm = ChatOpenAI(
            openai_api_base=base_url,
            openai_api_key=api_key,
            model="gpt-5.2",
            temperature=0
        )

대부분 Tool을 사용한다는 것은 일정한 대답을 원하는 경우가 많기 때문에

LLM의 temperature는 0으로 설정하였다

 

Tool 정의하기

그러면 이제 Tool을 정의해줄 차례인데

Tool은 Class 밖에 먼저 선언되어야 한다

@Tool  데코레이터를 사용하면 되는데 자주쓰는 양식은 다음과 같다

# Type 1
@tool("First_tool", return_direct=True, description="이것은 나의 첫번째 tool 입니다")
def First_tool(param1: str, param2: int) -> str:
    logger.info(f"MY First Tool")


# Type 2 
@tool("Second_tool", return_direct=False)
def Second_tool(param1: str, param2: int) -> str:
    '''
    이것은 나의 두번째 tool 입니다
    '''
    logger.info(f"MY First Tool")

지금은 별 기능이 없기 때문에 첫번째, 두번째 tool 입니다로 description과 doc-string 을 간단히 적었는데

여기에 tool에 대한 자세한 설명을 정의하면 좋다

 

추가적은 return_direct란 결과를 AI가 한번 더 가공할 것인지 아니면 그대로 뱉어낼 것인지를 결정하는 것이다

> return_direct
return_direct=False이면 도구의 결과가 모델 내부로 다시 들어가서 후처리나 추가 설명을 거친 뒤 사용자에게 전달.
return_direct=True이면 모델이 그 결과를 가공하지 않고 도구의 반환값을 그대로 사용자에게 보여줌

 

 

Tool 연결하기

이렇게 LLM과 Tool을 만들었으면 이 둘을 Bind (연결)시켜주면 된다

from langchain_core.messages import HumanMessage, SystemMessage, AIMessage, ToolMessage

# tool은 class 밖에 있어야 한다
@tool("First_tool", return_direct=True, description=prompts["My_Agent"]["First_tool"])
def First_tool(param1: str, param2: int) -> str:
    logger.info(f"MY First Tool")

@tool("Second_tool", return_direct=False)
def Second_tool(param1: str, param2: int) -> str:
    '''
    이것은 나의 두번째 tool 입니다
    '''
    logger.info(f"MY First Tool")


class My_Agent:
    def __init__(self):
        self.name = 'My_Agent'
        self.my_llm = ChatOpenAI(
            openai_api_base=base_url,
            openai_api_key=api_key,
            model="gpt-5.2",
            temperature=0
        ) 
        

        # run 메서드의 docstring을 동적으로 주입
        # ✅ 클래스 함수 객체의 docstring 수정
        My_Agent.run.__doc__ = self.description
        #self.run.__doc__ = self.description
        
    def __str__(self):
        return f"[{self.name}] {self.description}"
        
        
    def run(self,state: State):
        """tool을 사용하는 Agent 입니다"""
        logger.info(f"[{self.name}]가 실행됩니다")
	    messages = HumanMessage(content=state["user_prompt"]),
        # 도구를 tools 리스트에 추가
        self.tools = [First_tool,Second_tool]
        self.my_agent = self.my_llm.bind_tools(self.tools)
        # 도구를 모델에 바인딩: 모델에 도구를 바인딩하면, 도구를 사용하여 llm 답변을 생성할 수 있음
        response = self.my_agent.invoke(messages)

 

이렇게 넣어서 답변을 생성해보면

response 객체에 tool_calls 속성이 있게 된다

 

Tool Call 에 따른 Control 해보기

 

이를 이용해서 조건문을 만들어보면

if isinstance(response, AIMessage):
	tool_calls = getattr(response, "tool_calls", None) or response.additional_kwargs.get("tool_calls")

이렇게 만들 수 있다

 

isinstance(response, AIMessage)

→ response가 AI 모델의 메시지 객체인지 확인. LangChain이나 LangGraph에서는 모델의 출력이 AIMessage 형태로 반환

 

getattr(response, "tool_calls", None)

→ response 객체에 tool_calls 속성이 있으면 그 값을 가져오고, 없으면 None을 반환.

 

response.additional_kwargs.get("tool_calls")

→ 일부 모델 응답은 tool_calls가 additional_kwargs 딕셔너리 안에 들어 있을 수 있기 때문에 첫 번째 방법으로 못 찾았을 때, 이 경로로 한 번 더 확인.

 

 

이제 이걸 연결하여서 조건을 만들어 본다면

def Tool_Control(self,response):
    tool_call_names = []
    # 5) tool_calls가 있으면 실제 실행하고 ToolMessage로 결과를 이어붙임
    if isinstance(response, AIMessage):
        tool_calls = getattr(response, "tool_calls", None) or response.additional_kwargs.get("tool_calls")
    #if isinstance(response, AIMessage) and response.tool_calls:
        tool_msgs = []
        for call in response.tool_calls:
            name = call["name"] # "First_Tool"
            args = call["args"] # {"param1": "test", "param2": 3} 등
            tool_call_names.append(name)
            
    return tool_call_names

이렇게 쪼개서 각각 Tool에 대한 시나리오를 설정할 수 있다

 

 

이제 이거를 run 함수에 연결해서 Agent가 자연스럽게 Tool_Control까지 할 수 있게 하면 끝

(Tool Control은 필요시에만 사용한다)

    def Tool_Control(self,response):
        tool_call_names = []
        # 5) tool_calls가 있으면 실제 실행하고 ToolMessage로 결과를 이어붙임
        if isinstance(response, AIMessage):
            tool_calls = getattr(response, "tool_calls", None) or response.additional_kwargs.get("tool_calls")
        #if isinstance(response, AIMessage) and response.tool_calls:
            tool_msgs = []
            for call in response.tool_calls:
                name = call["name"] # "First_Tool"
                args = call["args"] # {"param1": "test", "param2": 3} 등
                tool_call_names.append(name)
                
        return tool_call_names
    
    def run(self,state: State):
        """tool을 사용하는 Agent 입니다"""
        logger.info(f"[{self.name}]가 실행됩니다")
	    messages = HumanMessage(content=state["user_prompt"]),
        # 도구를 tools 리스트에 추가
        self.tools = [First_tool,Second_tool]
        self.my_agent = self.my_llm.bind_tools(self.tools)
        # 도구를 모델에 바인딩: 모델에 도구를 바인딩하면, 도구를 사용하여 llm 답변을 생성할 수 있음
        response = self.my_agent.invoke(messages)
        tool_control_result ,tool_call_names  =self.Tool_Control(response)