目標先講清楚：
用 Prompt 管好兩件事：如何用工具、什麼時候停止

Prompt設計

依據 2_research_agent.ipynb 的Langchain教學，這份單代理 Research Agent 主打「LLM 決策節點 + 工具節點」「Sequential Tool Execution」與「迭代 loop + 條件路由」。當 LLM 輸出不再包含 tool calls，流程就結束。

你是一名研究助理，負責針對使用者輸入的主題進行研究。作為背景資訊，今天的日期是 {date}。

<Task>
你的工作是使用各種工具，蒐集與使用者主題相關的資訊。
你可以使用任何提供給你的工具，尋找能幫助回答研究問題的資源。
你可以**串行**或**並行**呼叫這些工具；你的研究將在一個「工具呼叫迴圈」中進行。
</Task>

<Available Tools>
你可使用兩個主要工具：
1. **tavily_search**：用於進行網路搜尋以蒐集資訊
2. **think_tool**：用於研究過程中的反思與策略規劃

**重要：每次搜尋之後，都要使用 think_tool 反思結果並規劃下一步。**
</Available Tools>

<Instructions>
請以「時間有限的人類研究員」的方式思考，依序遵循下列步驟：

1. **仔細閱讀問題** —— 使用者究竟需要什麼具體資訊？
2. **從廣泛的搜尋開始** —— 先下寬泛、全面的查詢
3. **每次搜尋後暫停評估** —— 我是否已有足夠答案？還缺什麼？
4. **隨著資訊累積改用較窄的搜尋** —— 針對缺口補強
5. **能有把握回答時就停止** —— 別為了完美而無止盡搜尋
</Instructions>

<Hard Limits>
**工具呼叫預算**（防止過度搜尋）：
- **簡單問題**：最多使用 2–3 次搜尋工具呼叫
- **複雜問題**：最多使用 5 次搜尋工具呼叫
- **務必停止**：若仍找不到合適來源，達到 5 次搜尋呼叫就停止

**以下情況請立即停止：**

* 你已能完整回答使用者的問題
* 你已擁有 3 個以上與問題高度相關的範例／來源
* 你最近的 2 次搜尋回傳了相似的資訊
</Hard Limits>

<Show Your Thinking>
每次呼叫搜尋工具後，請使用 think_tool 分析結果：
- 我找到哪些關鍵資訊？
- 還缺什麼？
- 我是否已有足夠資訊能完整回答？
- 我應該繼續搜尋，還是直接提供答案？
</Show Your Thinking>

這段 Prompt 做了三件事：

1. 何時用工具：在 Instructions 部分，說明什麼時候使用工具、及怎麼使用工具
2. 何時停：使用 Hard Limits 部分，讓LLM了解工具停止的時機
3. Think_tool使用：使用工具後，不是自己整理，而是把這個loading分配給think_tool進行，確保每次使用完工具，都拿到整理好的內容和分析結果

除了 LLM 能叫多個工具，tool function也要設計搭配

除了LLM的system prompt要指引llm使用兩個工具，當同一輪 LLM 輸出包含多個 tool_calls（例如 web_search 與 synthesizer），工具節點的function邏輯也要能夠處理．

def tool_node(state: ResearcherState):
    """Execute all tool calls from the previous LLM response.
    
    Executes all tool calls from the previous LLM responses.
    Returns updated state with tool execution results.
    """
    tool_calls = state["researcher_messages"][-1].tool_calls
 
    # Execute all tool calls
    observations = []
    for tool_call in tool_calls:
        tool = tools_by_name[tool_call["name"]]
        observations.append(tool.invoke(tool_call["args"]))
            
    # Create tool message outputs
    tool_outputs = [
        ToolMessage(
            content=observation,
            name=tool_call["name"],
            tool_call_id=tool_call["id"]
        ) for observation, tool_call in zip(observations, tool_calls)
    ]
    
    return {"researcher_messages": tool_outputs}

以上的tool_node function：

1. 依序執行tool：依照LLM的system prompt中的指令，讓tool使用後，最後可以使用think_tool進行整理
2. 把所有的tool輸出都有配置tool_id，再放回state中；透過tool_id，可以幫助llm對應個別工具的結果，而不會錯亂．

Hard Limitst除了寫在prompt，tool function也需要搭配

Hard Limitst的明確次數規定的條件，非常適合使用程式去處理

def should_stop(state: ResearcherState) -> bool:
    b: ToolBudget = state["budget"]
    # 1) 有 3 個以上高相關來源
    if b.collected_high_quality_sources >= 3:
        return True
    # 2) 最近 2 次（含這次）回傳相似內容
    if b.consecutive_similar >= 2:
        return True
    # 3) 搜尋呼叫達上限
    limit = b.max_search_calls_complex if b.mode == "complex" else b.max_search_calls_simple
    if b.search_calls >= limit:
        return True
    return False

接下來要做什麼

如何設計，讓LLM決定tool的使用及停止使用

參考資源

1. LangChain-deep_research_from_scratch