【Agent智能体13 | 工具使用-什么是工具？】

声明：本篇博客是以吴恩达的【Agent智能体】教程为基础，并对其中的内容做了笔记整理以及个人收获的总结。

前面已经介绍完反思设计模式的所有内容了，从这篇开始，要介绍智能体设计模式中的工具使用

这篇主要是介绍一下，工具的概念。

首先要明确，让大模型具体选择和使用工具（调用函数）的能力，就像我们人类一样可以使用很多工具实现更多功能

通过这幅图的对比，我们可以看到工具可以让大模型有更强大的功能。

没有工具的 LLM（上方的流程）： 传统的 LLM 其知识储备截止于训练完成的那一刻，且无法直接感知现实世界的实时状态。
- 因此，当用户询问"现在几点了？"（What time is it?）时，模型只能基于其固有的限制回答："抱歉，我无法获取当前时间。"
外部工具的引入（右侧代码）： 图中展示了一段简单的 Python 代码 get_current_time()。这是一个可以获取系统当前真实时间的"工具"。
拥有工具的 LLM（下方的流程）： 赋予 LLM 访问该工具的能力后，面对同样的问题，LLM 就可以给出准确的答案："现在是下午 3:20。"（It's 3:20pm.）

下面简单展示一下简单的工具执行操作：

这个图揭示了 LLM 内部是如何处理工具调用的：

调用工具的完整流程（上方的流程）：
1. 用户输入提示语：用户询问"现在几点了？"。
2. LLM查看可用的工具集 ：LLM 接收到问题，检查自己拥有的工具箱（Tools），发现里面有一个 get_current_time 工具。
3. LLM决定调用哪个工具 ：LLM 意识到要回答这个问题必须使用该工具，于是触发工具调用。
4. 工具会反馈给大模型 ：工具执行并返回原始结果（例如图中的 15:20:45）。
5. 大模型会输出最终结果：LLM 接收这个时间数据，将其转化为自然语言（"It's 3:20pm."）并输出给用户。

工具使用的一个重要方面是：可以让大模型自主决定是否使用这些工具中的任何一个（自主决策）

按需选择工具的流程（下方的流程）：
1. 用户询问"绿茶里有多少咖啡因？"。
2. LLM 同样检查工具箱（里面依然只有 get_current_time）。
3. 关键： LLM 能够理解语境，它判断出"获取当前时间"这个工具对于回答"咖啡因含量"毫无帮助。
4. 因此，LLM 选择不调用任何工具，而是直接利用自己预训练的内部知识库给出答案（"绿茶通常每杯含有 25-50 毫克咖啡因..."）。

场景一：网络搜索 (Web Search)
- 用户： 想找加州山景城附近的意大利餐厅。
- LLM 动作： 识别出需要搜索信息，调用 web_search 工具 ，并准确地将用户的话提炼为搜索关键字参数：query="restaurants near Mountain View, CA"。
场景二：数据库查询 (Database Query)
- 用户： 让我看看买了白色太阳镜的客户。
- LLM 动作： 识别出这是一个数据检索需求，调用 query_database 工具 ，并像程序员一样提取出关键字段：表名 (table="sales")、产品 (product="sunglasses")、颜色 (color="white")。
场景三：数学计算 (Math Calculation)
- 用户： 存500美元，利息5%，10年后有多少钱？
- LLM 动作： LLM 知道自己直接做复杂数学题容易出错，于是调用专用的计算工具 。它不仅能调用像 interest_calc 这样预设好参数的函数，甚至能直接写出数学表达式并使用 eval 工具执行计算（ 500 ∗ ( 1 + 0.05 ) 10 500 * (1 + 0.05)^{10} 500∗(1+0.05)10）。

结论： LLM 具备强大的意图识别与参数提取能力。它不仅知道"该用什么工具"，还能从口语化的提问中抓取工具运行所需的格式化数据。

上面都是单个工具的例子，但是很多场景下，我们希望为大模型提供多个工具或函数，具体例子如下：

当一个任务无法用单一工具完成时，LLM 可以按逻辑顺序调用多个工具。

复杂任务拆解： 用户下达了一个复合指令："在我的日历上找一个周四的空闲时间，并和 Alice 预约一个会议。"
步骤 1：收集信息 (调用第一个工具)
- LLM 接收到指令后，评估工具箱（包含预约、查日历、删除预约）。它判断出第一步必须先知道有哪些时间是空闲的。
- 因此，它触发了 check_calendar（检查日历）工具。
- 工具返回了结果：周四下午 3pm, 4pm, 6pm 有空。
步骤 2：执行动作 (调用第二个工具)
- LLM 接收到了空闲时间数据。现在它进入任务的第二阶段：创建会议。
- 它再次调用工具，这次选择了 make_appointment（创建预约），并智能地从上一步的时间列表中挑了一个（例如 3pm），作为参数传给该工具执行。
- 工具返回结果："会议创建成功！"。
步骤 3：最终反馈
- LLM 将所有操作的结果汇总，用自然语言向用户报告："您的预约已设定在周四下午 3 点与 Alice 进行。"

通过上面的单个工具调用以及多个工具调用的例子，我们不难发现，工具对于LLM来说是很重要的，能提供给LLM更强大的外部感知能力！

如果这篇文章对你有帮助，欢迎点赞、评论、关注、收藏。你们的支持是我前进的动力！