为什么调用 OpenAI Tools 后，还要再请求一次大模型？——从代码看 LLM 工具调用的本质

在使用 OpenAI SDK（或兼容接口如 DeepSeek）实现外部工具调用时，你可能会写出类似下面这段代码：

import json

messages = [{"role": "user", "content": "北京天气怎么样"}]

response = client.chat.completions.create(
    model='deepseek-reasoner',
    messages=messages,
    tools=tools,
    tool_choice="auto",
    temperature=0.3
)

response_message = response.choices[0].message

# 如果模型建议调用工具
if response_message.tool_calls:
    for tool_call in response_message.tool_calls:
        function_name = tool_call.function.name
        function_args = json.loads(tool_call.function.arguments)

        if function_name == "get_weather":
            function_response = get_weather(function_args["location"])
        else:
            function_response = "未知工具"

        # 将工具调用结果加入对话历史
        messages.append({
            "tool_call_id": tool_call.id,
            "role": "tool",
            "name": function_name,
            "content": function_response
        })

# 最后一次请求，获取最终答案
final_response = client.chat.completions.create(
    model='deepseek-reasoner',
    messages=messages,
    temperature=0.3
)

print(final_response.choices[0].message.content)

这段代码明明已经本地执行了 get_weather 函数，拿到了真实结果，为什么还要再发一次请求给大模型？

要理解这个问题，我们必须先搞清楚：这两次请求，各自承担了什么角色？

---

第一次请求：LLM 只负责"规划"，不负责"执行"

当你第一次调用 chat.completions.create 并传入 tools 参数时，大模型并不会去查天气、不会发 HTTP 请求、更不会操作你的数据库。

它做的只有一件事：判断是否需要调用工具，并生成结构化的调用指令。

例如，对于用户问"北京天气怎么样？"，模型返回的 response_message 可能是这样的（伪结构）：

{
  "role": "assistant",
  "tool_calls": [
    {
      "id": "call_abc123",
      "function": {
        "name": "get_weather",
        "arguments": "{"location": "北京"}"
      }
    }
  ]
}

👉 这就是 "调用指令" ：

• 工具名 ：get_weather
• 参数 ：{"location": "北京"}（由 LLM 从自然语言中自动提取并格式化）

但请注意：此时没有任何外部调用发生！

LLM 只是在说："请帮我调用这个函数，参数是这些。"

---

开发者执行工具：真正的"行动者"是你

接下来，你的代码会解析 tool_calls，并在本地执行：

function_response = get_weather("北京")  # ← 真正的 API 调用发生在这里！

这一步完全运行在你的服务器上，LLM 对此一无所知。它只是"提了个建议"，而你是那个"跑腿的人"。

---

第二次请求：把结果"喂"回去，让 LLM 生成人类语言

执行完工具后，你构造了一条特殊消息：

{
  "role": "tool",
  "tool_call_id": "call_abc123",
  "name": "get_weather",
  "content": "北京晴，25℃"
}

🔑 关键："role": "tool" 的作用是什么？

这是 OpenAI API 中专门用于传递工具执行结果的消息类型。它的意义是：

"刚才那个 ID 为 call_abc123 的工具调用，我已经执行完了，结果是'北京晴，25℃'。"

只有当你把这条消息加入对话历史并再次请求 LLM 时，模型才能"看到"真实世界的数据，并据此生成自然语言回答：

"北京今天天气晴朗，气温25摄氏度，非常适合外出。"

---

那么问题来了：既然工具是我自己执行的，为什么不能直接返回结果？

这是一个非常合理的问题！

技术上，你完全可以这样做：

if response_message.tool_calls:
    # 执行工具
    result = get_weather("北京")
    print(result)  # 直接输出 "北京晴，25℃"

但这样做的代价是：你放弃了 LLM 最核心的能力------语言理解与上下文推理。

举个例子：

• 用户问："北京天气怎么样？"

  • 直接返回工具结果 → "25℃"
  • 经过第二次 LLM 调用 → "北京今天25度，阳光明媚，建议穿短袖。"

• 用户接着问："那适合跑步吗？"

  • 如果你没做第二次调用，LLM 不知道之前查过天气，只能瞎猜；

  • 如果你做了，对话历史里就有"25℃ + 晴"的上下文，LLM 可以回答：

    "气温适宜，空气质量良好，非常适合晨跑！"

✅ 第二次调用的本质，是让 LLM 基于真实数据"重新思考并表达" ，而不是简单回显。

---

总结：两步走，缺一不可

步骤	谁在做	做什么	为什么必要
第一次请求	LLM	判断是否调用工具，提取结构化参数	让 AI 理解用户意图
本地执行	你（开发者）	真正调用 API/数据库/函数	安全可控地连接外部世界
第二次请求	LLM	基于工具结果生成自然语言回答	提供有上下文、有温度的智能体验

🌟 工具提供事实，LLM 提供智慧。

少了任何一步，AI 都只是"半智能"。

所以，别嫌多一次调用------那正是你的应用从"数据接口"蜕变为"智能助手"的关键一跃。