工具使用（Tool Use）/ 函数调用（Function Calling）

这一章讲的是 工具使用（Tool Use）/ 函数调用（Function Calling）。核心意思很简单：LLM 本身只会根据已有上下文生成文本，但智能体（Agent）如果要查实时信息、算东西、查数据库、发邮件、控制外部系统，就必须借助外部工具。 这一章就是在讲：LLM 如何决定调用工具，以及框架如何真正执行工具。

1. 这章的核心问题：LLM 为什么需要工具？

普通大语言模型（Large Language Model，LLM）有几个天然限制：

第一，它的知识不是实时的。比如你问“今天伦敦天气怎么样”，模型不能只靠训练数据回答，因为天气是动态变化的。

第二，它不能自己真正执行动作。比如“帮我发一封邮件”“查询订单状态”“关掉客厅灯”，这些都不是纯文本生成，而是要连接外部系统。

第三，它不适合做高精度计算。比如复杂数学计算、代码运行、数据分析，最好交给计算器、Python、数据库或分析工具。

所以 工具使用（Tool Use） 的本质是：

让 LLM 从“只会说话的模型”，变成“能调用外部能力完成任务的智能体”。

PDF 里也明确说，工具使用突破了 LLM 训练数据的限制，让它可以访问最新信息、执行计算、操作用户数据或触发现实世界动作。

2. 工具使用的完整流程

这一章给了一个标准流程，可以理解成 6 步：

第一步：工具定义（Tool Definition）

开发者先告诉模型：你有哪些工具可以用。

比如定义一个天气工具：

1
get_weather(location: str) -> str

并告诉模型：

这个工具用于查询某个城市的当前天气，参数是地点 location。

这里的重点不是模型真的会执行函数，而是模型先知道：存在这么一个工具，什么时候该用它，参数应该怎么填。

第二步：LLM 决策（LLM Decision）

用户问：

伦敦天气如何？

LLM 判断：这个问题需要实时天气信息，不能靠自己编。

于是它决定调用天气工具。

第三步：生成函数调用（Function Call Generation）

模型不会直接执行函数，而是生成一个结构化请求，通常是 JSON（JavaScript Object Notation，JavaScript 对象表示法）：

1
2
3
4
5
6
{
  "tool_name": "get_weather",
  "arguments": {
    "location": "London"
  }
}

也就是说，模型负责决定：

调用哪个工具，以及传什么参数。

第四步：工具执行（Tool Execution）

真正执行工具的不是 LLM，而是外面的智能体框架或编排层。

关键词：

编排层（Orchestration Layer）
智能体框架（Agent Framework）
执行器（Executor）

比如 LangChain、LangGraph、CrewAI、Google ADK 这些框架会看到模型生成的工具调用请求，然后真的去运行 Python 函数、调用 API、查数据库。

第五步：观察结果（Observation / Tool Result）

工具执行完后，把结果返回给智能体。

比如天气 API 返回：

1
伦敦当前天气多云，15°C。

第六步：LLM 处理结果并回复用户

模型拿到工具结果之后，再组织自然语言回复：

伦敦当前天气多云，气温约 15°C。

所以整个流程是：

1
2
3
4
5
6
用户问题
→ LLM 判断是否需要工具
→ LLM 生成工具调用请求
→ 框架执行工具
→ 工具返回结果
→ LLM 整理结果并回答

这个流程是本章最重要的东西。

3. “函数调用”和“工具调用”有什么区别？

这章也区分了两个概念：

函数调用（Function Calling）

更狭义。

通常指模型调用一个预定义函数，比如：

1
get_stock_price("AAPL")

它偏向代码层面：函数名、参数、返回值。

工具调用（Tool Calling）

更广义。

工具不一定只是 Python 函数，也可以是：

API 接口（Application Programming Interface，应用程序编程接口）
数据库查询（Database Query）
搜索引擎（Search Engine）
代码解释器（Code Interpreter）
邮件系统（Email API）
另一个智能体（Another Agent）

所以可以这样理解：

函数调用是工具调用的一种实现方式；工具调用是更大的概念。

PDF 里也说，“函数调用”准确描述调用特定预定义代码函数的过程，但“工具调用”更具包容性，可以包括复杂 API、数据库请求，甚至面向其他智能体的指令。

4. 这一章列举了哪些应用场景？

PDF 里给了几个典型场景。

场景一：外部信息检索（External Information Retrieval）

比如：

伦敦天气如何？

模型调用天气 API。

重点：凡是实时信息，通常都需要工具。

场景二：数据库和 API 交互（Database and API Interaction）

比如：

X 产品还有库存吗？

模型调用库存 API 或数据库。

这类场景很常见于电商、客服、企业内部系统。

场景三：计算与数据分析（Computation and Data Analysis）

比如：

当前 AAPL 股价是多少？买 100 股要多少钱？

模型可能先调用股票 API，再调用计算器工具。

这里对应你之前学的 Agent 项目也很重要，因为很多 Agent 不是只聊天，而是要能：

1
查数据 → 算指标 → 生成结论

场景四：发送通讯（Communication）

比如：

给 John 发一封会议邮件。

模型需要提取：

收件人（Recipient）
主题（Subject）
正文（Body）

然后调用邮件 API。

场景五：执行代码（Code Execution）

比如：

这段 Python 代码会输出什么？

模型可以调用代码解释器，在沙箱环境中运行代码。

关键词：

代码解释器（Code Interpreter）
沙箱环境（Sandbox Environment）

沙箱环境的意思是：代码不是直接在危险的真实系统里运行，而是在受限制的环境里运行。

场景六：控制外部系统或设备

比如：

关闭客厅灯。

模型调用智能家居 API，把命令传给具体设备。

这一类已经不是“问答”，而是“行动”。

5. 第 3 页和第 12 页的图怎么理解？

图里大概是这个结构：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
User 用户
  ↓
Prompt 提示词
  ↓
Agent 智能体
  ↔
Tools 工具
  ↓
Output 输出
  ↓
User 用户

这张图想表达：

用户不是直接调用工具，而是先把需求交给 Agent。

Agent 里面的 LLM 判断：

要不要用工具？用哪个工具？参数是什么？

工具执行后，把结果返回给 Agent。

Agent 再把结果整理成用户能理解的回答。

所以图的重点是：

工具不是替代 LLM，而是被 LLM 调度；LLM 负责理解和决策，工具负责外部执行。

6. LangChain 示例在做什么？

PDF 里的 LangChain 示例定义了一个工具：

1
2
3
@langchain_tool
def search_information(query: str) -> str:
    ...

这个工具叫 search_information，作用是根据 query 返回模拟搜索结果。

例如：

1
2
"capital of france": "法国的首都是巴黎。"
"weather in london": "伦敦当前天气多云，气温 15°C。"

然后代码把这个工具绑定给模型：

1
2
agent = create_tool_calling_agent(llm, tools, agent_prompt)
agent_executor = AgentExecutor(agent=agent, verbose=True, tools=tools)

这里有几个关键词：

`@tool` / `@langchain_tool`

这是 工具装饰器（Tool Decorator）。

它的作用是把一个普通 Python 函数包装成 LangChain 能识别的工具。

`create_tool_calling_agent`

这是创建一个会调用工具的智能体。

也就是说，这个 Agent 不只是普通聊天模型，而是可以根据用户问题决定是否调用工具。

`AgentExecutor`

这是 智能体执行器（Agent Executor）。

它负责真正运行整个流程：

1
模型思考 → 生成工具调用 → 执行工具 → 拿到结果 → 继续让模型回答

所以你可以把 LangChain 这一段理解为：

先定义工具，再把工具交给模型，最后用 AgentExecutor 管理模型和工具之间的交互。

7. CrewAI 示例在做什么？

CrewAI 示例定义了一个股票价格查询工具：

1
2
3
@tool("股票价格查询工具")
def get_stock_price(ticker: str) -> float:
    ...

然后创建一个金融分析师 Agent：

1
2
3
4
5
financial_analyst_agent = Agent(
    role='高级金融分析师',
    goal='使用工具分析股票数据并报告关键价格。',
    tools=[get_stock_price],
)

再定义一个任务：

1
2
3
4
analyze_aapl_task = Task(
    description="苹果（AAPL）当前模拟股价是多少？请用工具查找。",
    agent=financial_analyst_agent,
)

最后把 Agent 和 Task 放进 Crew：

1
2
3
4
financial_crew = Crew(
    agents=[financial_analyst_agent],
    tasks=[analyze_aapl_task],
)

CrewAI 的思路更偏“角色 + 任务”：

1
2
3
4
工具：查股票价格
Agent：金融分析师
Task：查 AAPL 股价
Crew：组织 Agent 执行任务

和 LangChain 相比，CrewAI 更强调多智能体协作和任务分配。

8. Google ADK 示例在做什么？

PDF 里讲了 Google ADK 的几类工具。

第一类：Google Search 工具

这个 Agent 可以调用 Google 搜索来回答问题。

适合：

1
2
3
最新新闻
实时信息
网络资料

第二类：代码执行工具（Code Execution Tool）

一个计算器 Agent：

1
code_executor=BuiltInCodeExecutor()

它收到数学表达式后，会写 Python 代码并执行。

例如：

1
计算 (5 + 7) * 3

Agent 会生成代码、运行代码，然后返回结果。

这个场景的重点是：

LLM 不直接心算，而是用 Python 得到确定结果。

第三类：Vertex AI Search

这是企业搜索场景。

关键词：

Vertex AI Search
企业搜索（Enterprise Search）
私有知识库检索（Private Knowledge Base Retrieval）

它适合公司内部文档问答，比如：

总结 Q2 战略文档的要点。

这和你学的 RAG（Retrieval-Augmented Generation，检索增强生成）关系很大。

区别是：

普通搜索：查互联网
Vertex AI Search：查企业内部数据源
RAG：一般指“检索相关文档 + 让模型基于文档回答”的架构思想

9. Vertex 扩展和函数调用的区别

PDF 最后提到：

Vertex AI Extensions（Vertex AI 扩展） 是一种结构化 API 封装，可以让模型连接外部 API，实现实时数据处理和动作执行。

它和普通函数调用的区别在于：

函数调用（Function Calling）

模型生成调用请求，但通常需要开发者或客户端自己执行函数。

流程是：

1
2
模型：我要调用 get_weather
框架/客户端：好，我帮你执行

Vertex AI Extensions

更偏平台级集成，工具执行、权限、安全、企业集成都封装得更完整。

所以它更适合企业应用。

10. 你需要真正掌握什么？

这章代码很多，但你不需要每个框架都手敲一遍。你真正要掌握的是下面这个结构：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
工具定义 Tool Definition
↓
模型选择工具 Tool Selection
↓
生成结构化调用 Structured Function Call
↓
框架执行工具 Tool Execution
↓
返回观察结果 Observation
↓
模型整合并回答 Final Response

这里最重要的关键词是：

工具使用（Tool Use）
工具调用（Tool Calling）
函数调用（Function Calling）
工具定义（Tool Definition）
结构化输出（Structured Output）
JSON（JavaScript Object Notation）
智能体执行器（Agent Executor）
编排层（Orchestration Layer）
观察结果（Observation）
外部 API（External API）

11. 用一段师生对话理解

学生：老师，为什么 Agent 需要工具？LLM 不是已经很聪明了吗？

老师：因为 LLM 的聪明主要体现在语言理解、推理和生成上，但它不能天然访问实时世界，也不能自己操作外部系统。

学生：比如？

老师：比如你问“今天台北天气如何”，如果没有天气 API，模型只能猜。再比如你说“帮我发邮件”，模型可以写邮件内容，但真正发送邮件需要邮件系统 API。

学生：所以工具就是外部能力？

老师：对。工具可以是搜索引擎、数据库、计算器、Python 解释器、邮件 API、股票 API、企业知识库，甚至另一个 Agent。

学生：那 LLM 是不是直接运行工具？

老师：不是。LLM 通常只是生成一个结构化调用请求。比如：

1
2
3
4
5
6
{
  "name": "get_weather",
  "arguments": {
    "location": "Taipei"
  }
}

真正执行这个请求的是 Agent 框架或编排层。

学生：那框架执行完后呢？

老师：工具返回结果，比如“台北今天多云，26°C”。然后 LLM 再把这个结果组织成自然语言回复给用户。

学生：所以 LLM 负责判断和组织语言，工具负责执行？

老师：对，这就是工具使用的核心分工。

12. 最直观理解

这一章的本质可以压缩成一句话：

工具使用（Tool Use）就是让 LLM 在需要外部能力时，不再自己瞎编，而是生成一个结构化请求，让外部工具真正完成查询、计算或动作，然后再根据工具结果回答用户。

对 Agent 来说，工具调用是非常核心的能力。没有工具，Agent 只是一个会聊天的模型；有了工具，Agent 才开始具备“查、算、写、发、控、执行”的能力。

章节插图

1. 这章的核心问题：LLM 为什么需要工具？

2. 工具使用的完整流程

第一步：工具定义（Tool Definition）

第二步：LLM 决策（LLM Decision）

第三步：生成函数调用（Function Call Generation）

第四步：工具执行（Tool Execution）

第五步：观察结果（Observation / Tool Result）

第六步：LLM 处理结果并回复用户

3. “函数调用”和“工具调用”有什么区别？

函数调用（Function Calling）

工具调用（Tool Calling）

4. 这一章列举了哪些应用场景？

场景一：外部信息检索（External Information Retrieval）

场景二：数据库和 API 交互（Database and API Interaction）

场景三：计算与数据分析（Computation and Data Analysis）

场景四：发送通讯（Communication）

场景五：执行代码（Code Execution）

场景六：控制外部系统或设备

5. 第 3 页和第 12 页的图怎么理解？

6. LangChain 示例在做什么？

@tool / @langchain_tool

create_tool_calling_agent

AgentExecutor

7. CrewAI 示例在做什么？

8. Google ADK 示例在做什么？

第一类：Google Search 工具

第二类：代码执行工具（Code Execution Tool）

第三类：Vertex AI Search

9. Vertex 扩展和函数调用的区别

函数调用（Function Calling）

Vertex AI Extensions

10. 你需要真正掌握什么？

11. 用一段师生对话理解

12. 最直观理解

推荐阅读

`@tool` / `@langchain_tool`

`create_tool_calling_agent`

`AgentExecutor`