AI Tool Use 深度解析：大模型是如何"突破物理限制"调用外部工具的？

AI Tool Use 深度解析：大模型是如何"突破物理限制"调用外部工具的？

你有没有想过，豆包能自动搜索网页、Claude 能分析 Excel 表格、AI Agent 能操作电脑......这些"超能力"到底是怎么实现的？那个被困在显卡里的"缸中大脑"，是怎么突破物理限制去调用 API、读数据库、操作物理世界的？

前言

很多人对 AI 的工具调用能力感到神奇，甚至以为大模型真的"会用工具"。

但作为开发者，我们需要清醒地认识到：这是一个精心设计的错觉。

用户以为是 LLM 完成了所有事情，其实不是。那个在显卡里疯狂跑的大模型，本质上还是一个词语接龙游戏 ------Next Token Prediction。它看不见屏幕，摸不到键盘，是一个被困在服务器里的缸中大脑。

那么问题来了：一个只能预测下一个 token 的概率模型，到底是怎么调用 API、读取数据库、操作物理世界的？

答案是：AI + Tools = Agent ，而连接它们的桥梁，就是 Tool Use。

今天我们就来深度拆解 Tool Use 背后的三个核心阶段。

---

一、认知植入：把工具"降维"成语言

大模型不懂 API，但它听得懂语言

大模型不懂什么是天气 API，也不懂数据库查询。但它有一个超强的能力：理解自然语言。

所以我们要做的第一件事，就是把复杂的软件工具降维成语言。

具体怎么做？用 JSON Schema。

JSON Schema = 工具的"使用说明书"

在 System Prompt 里配置工具的时候，我们其实是在做一件非常精妙的事------认知植入。

我们把一个复杂的软件接口函数（比如 get_close_price），翻译成大模型能理解的"使用说明书"：

{
  "type": "function",
  "function": {
    "name": "get_closing_price",
    "description": "获取指定股票的收盘价",
    "parameters": {
      "type": "object",
      "properties": {
        "name": {
          "type": "string",
          "description": "股票名称"
        }
      },
      "required": ["name"]
    }
  }
}

这里有几个关键点：

• name：函数名，精确的标识符
• description：自然语言描述，告诉 LLM 这个工具是干什么的
• parameters：参数的类型约束和描述

⚠️ 重要提示 ：LLM 的输出本质上是概率随机的，所以工具描述必须具体、清晰、无歧义。描述越模糊，LLM 调错工具的概率越高。

在这个阶段，一个复杂的软件工具被降维 成了纯粹的文本描述。大模型调用的不是真正的软件接口，而是一段文本描述。

---

二、意图识别：LLM 的"决策时刻"

当用户提问，推理引擎开始工作

用户问："上海的天气怎么样？"

LLM 的推理引擎开始了一系列快速评估：

1. 首先，在原始训练语料中搜索------问天气？回答不了，没有实时数据。
2. 然后 ，回头看认知植入的工具列表------哎？有个 get_weather 工具！
3. 决策：我需要调用这个工具。

接下来，AI 会停止和你的对话，转而开始"自言自语"。它严格按照我们定义的那套"说明书"，生成一段结构化的调用代码：

{
  "tool_calls": [
    {
      "type": "function",
      "function": {
        "name": "get_weather",
        "arguments": "{\"city\": \"上海\"}"
      }
    }
  ]
}

关键认知：LLM 不能执行，开发者可以

注意，LLM 不能执行 任何东西。它生成的 tool_calls 只是一段自然语言描述的调用意图。

它依赖的是强大的模式识别和逻辑推理能力------它"赌"这段代码发出后，会有人（或程序）响应。

这就像一个被关在房间里的翻译官，它能写出完美的调用指令，但自己没法按下"执行"按钮。

---

三、Runtime 介入：真正的执行者

传统软件世界登场

LLM 生成了 tool_calls 之后，真正的执行者登场了------Runtime（Node.js / Python / Java 等传统运行时）。

Runtime 的工作流程：

用户提问 → LLM 决策（生成 tool_calls）→ Runtime 执行工具 → 拿到结果 → 返回给 LLM → LLM 生成最终回答

注意这里有个关键细节：工具的执行结果不是直接返回给用户，而是返回给大模型。

大模型拿到工具返回的结果后，结合最初的用户问题和完整的对话上下文，生成最终的自然语言回答。

完整流程图

用户："青岛啤酒的收盘价是多少？"
        ↓
    [LLM 第一次调用]
    模型返回 tool_calls: get_closing_price("青岛啤酒")
        ↓
    [Runtime 执行]
    调用 get_closing_price() → 返回 "67.92"
        ↓
    [结果回传给 LLM]
    将工具结果加入对话历史
        ↓
    [LLM 第二次调用]
    模型返回："青岛啤酒的收盘价是 67.92 元。"

---

四、代码实战：手写一个 Tool Use Demo

理论讲完了，来看代码。以下是一个完整的 Tool Use 实现：

1. 项目初始化

mkdir tool-use-demo && cd tool-use-demo
pnpm init
pnpm add openai dotenv

2. 配置环境变量 .env

MIMO_API_KEY=your_api_key
MIMO_API_BASE_URL=https://api.xiaomimimo.com/v1

3. 核心代码 index.mjs

import OpenAI from 'openai';
import dotenv from 'dotenv';
dotenv.config();

// ========== 1. 初始化客户端（缸中大脑）==========
const client = new OpenAI({
  apiKey: process.env.MIMO_API_KEY,
  baseURL: process.env.MIMO_API_BASE_URL,
});

// ========== 2. 认知植入：工具配置（JSON Schema）==========
// 将函数降维为语言，新旧范式的融合
const tools = [
  {
    type: 'function',
    function: {
      name: 'get_closing_price',
      description: '获取指定股票的收盘价',  // LLM 决策的依据
      parameters: {
        type: 'object',
        properties: {
          name: {
            type: 'string',
            description: '股票名称',
          },
        },
        required: ['name'],
      },
    },
  },
  {
    type: 'function',
    function: {
      name: 'get_weather',
      description: '获取指定城市的天气',
      parameters: {
        type: 'object',
        properties: {
          city: {
            type: 'string',
            description: '城市名称',
          },
        },
        required: ['city'],
      },
    },
  },
];

// ========== 3. 传统软件世界：真正的工具函数 ==========
function get_closing_price(name) {
  if (name === '青岛啤酒') {
    return '67.92';
  } else if (name === '北京啤酒') {
    return '1488.21';
  } else {
    return '未找到该股票';
  }
}

// ========== 4. 发送消息 ==========
async function sendMessage(messages) {
  const res = await client.chat.chat.completions.create({
    model: 'mimo-v2.5-pro',
    messages: messages,
    tools: tools,
    tool_choice: 'auto',  // 让模型自动决定是否调用工具
  });
  return res;
}

// ========== 5. 主流程：完整的 Tool Use 循环 ==========
async function main() {
  // 用户提问
  let messages = [
    { role: 'user', content: '青岛啤酒的收盘价是多少？' }
  ];

  // --- 第一次调用：LLM 决策 ---
  const response = await sendMessage(messages);
  const message = response.choices[0].message;
  console.log('模型返回:', JSON.stringify(message));

  // --- 检查是否有 tool_calls ---
  if (message.tool_calls) {
    messages.push(message);  // 将 LLM 的决策加入对话历史

    const toolCall = message.tool_calls[0];

    // --- Runtime 介入：执行工具 ---
    if (toolCall.function.name === 'get_closing_price') {
      const args = JSON.parse(toolCall.function.arguments);
      const price = get_closing_price(args.name);
      console.log('收盘价结果:', price);

      // 将工具结果以 tool 角色加入对话历史
      messages.push({
        role: 'tool',
        content: price,
        tool_call_id: toolCall.id,
      });

      // --- 第二次调用：LLM 根据结果生成最终回答 ---
      const finalRes = await sendMessage(messages);
      console.log('最终回答:', finalRes.choices[0].message.content);
    }
  }
}

main();

运行结果

模型返回: {"role":"assistant","content":"","tool_calls":[{"id":"call_xxx","type":"function","function":{"name":"get_closing_price","arguments":"{\"name\":\"青岛啤酒\"}"}}]}
收盘价结果: 67.92
更新完整对话上下文: [...]
最终回答: 青岛啤酒的收盘价是 67.92 元。

---

五、核心要点总结

阶段	谁在干活	做什么
认知植入	开发者	用 JSON Schema 把工具描述成 LLM 能理解的语言
意图识别	LLM	分析用户意图，决定调用哪个工具，生成 tool_calls
Runtime 介入	传统运行时	执行真正的函数调用，拿到结果回传给 LLM

三个容易踩的坑

1. 工具描述不够清晰 → LLM 可能调错工具或生成错误参数
2. 没有维护对话历史 → 第二次调用时 LLM 丢失上下文
3. 直接把结果返回给用户 → 应该先返回给 LLM 让它组织语言

---

结语

Tool Use 的本质，是把大模型的"语言智能"和传统软件的"执行能力"连接起来。

LLM 负责"想"（决策），Runtime 负责"做"（执行）。两者配合，就从一个"缸中大脑"变成了能操作真实世界的 Agent。

这不是魔法，是工程。

而理解了这个原理，你就能构建更复杂的 Agent 系统------比如让 AI 自动搜索网页、操作数据库、控制智能家居......可能性是无限的。

---

🔗 相关阅读

• OpenAI Function Calling 官方文档
• Anthropic Tool Use 文档

如果这篇文章对你有帮助，欢迎点赞 👍 收藏 ⭐ 关注，后续会持续更新 AI Agent 系列内容！