AI Agent 工具调用（Tool Use）实战指南

AI Agent 工具调用Tool Use实战指南工具调用Tool Use / Function Calling是 AI Agent 从会思考到能动手的关键能力。本文将从原理到实战全面讲解如何为 Agent 设计、注册和调用工具。一、什么是工具调用工具调用是指 LLM 根据用户输入主动判断需要调用哪个外部函数/API并生成结构化参数由外部系统执行后将结果返回给模型。用户北京今天天气怎么样 |LLM 分析需要查询天气 - 调用 weather_api(city北京, date今天) |外部系统执行 API - 返回 {temperature: 25, condition: 晴} |LLM 生成回复北京今天天气晴朗气温25度。二、工具的核心结构一个标准的工具定义包含字段 说明 | 示例 ------------|------name工具名称英文无空格 |get_weatherdescription功能描述影响模型决策 | 获取指定城市的天气信息parameters参数定义JSON Schema |{city: {type: string}}function实际执行函数 |def get_weather(city): ...三、OpenAI Function Calling 基础1. 定义工具import jsontools [ { type: function, function: { name: get_weather, description: 获取指定城市的当前天气信息, parameters: { type: object, properties: { city: { type: string, description: 城市名称如北京、上海 }, unit: { type: string, enum: [celsius, fahrenheit], description: 温度单位 } }, required: [city] } } }]2. 调用流程from openai import OpenAIclient OpenAI()第一轮模型决定是否调用工具response client.chat.completions.create( modelgpt-4, messages[{role: user, content: 北京今天多少度}], toolstools, tool_choiceauto)message response.choices[0].message如果模型决定调用工具if message.tool_calls: tool_call message.tool_calls[0] function_name tool_call.function.name arguments json.loads(tool_call.function.arguments) print(f模型决定调用: {function_name}) print(f参数: {arguments}) # 输出get_weather, {city: 北京, unit: celsius} # 执行函数实际业务逻辑 result {temperature: 25, condition: 晴朗, city: arguments[city]} # 第二轮将结果返回给模型 response2 client.chat.completions.create( modelgpt-4, messages[ {role: user, content: 北京今天多少度}, {role: assistant, content: None, tool_calls: [tool_call]}, {role: tool, tool_call_id: tool_call.id, content: json.dumps(result)} ], toolstools ) print(response2.choices[0].message.content) # 输出北京今天天气晴朗气温25摄氏度。四、LangChain 工具封装LangChain 提供了更高级的工具封装让开发更简单。1. 使用 tool 装饰器from langchain.tools import tooltooldef search_web(query: str) - str: 使用搜索引擎查找互联网上的信息。 Args: query: 搜索关键词 # 实际实现调用搜索API return f搜索结果关于 {query} 的相关信息...tooldef calculate(expression: str) - str: 执行数学计算表达式。 Args: expression: 数学表达式如 2 3 * 4 try: return str(eval(expression)) except Exception as e: return f计算错误: {e}工具会自动解析函数名、参数和描述print(search_web.name) # search_webprint(search_web.description) # 函数docstring2. 自定义工具类from langchain.tools import BaseToolfrom pydantic import BaseModel, Fieldclass WeatherInput(BaseModel): city: str Field(description城市名称) date: str Field(description日期格式YYYY-MM-DD, defaulttoday)class WeatherTool(BaseTool): name get_weather description 获取指定城市的天气信息 args_schema WeatherInput def _run(self, city: str, date: str today) - str: # 调用天气API return f{city} {date} 天气晴25C async def _arun(self, city: str, date: str today) - str: # 异步实现 return self._run(city, date)weather_tool WeatherTool()五、实战构建工具Agentfrom langchain_openai import ChatOpenAIfrom langchain.agents import create_tool_calling_agent, AgentExecutorfrom langchain_core.prompts import ChatPromptTemplatefrom langchain.tools import toolimport requests1. 定义工具tooldef get_baidu_index(keyword: str) - str: 获取百度指数搜索趋势数据模拟 return f关键词 {keyword} 近30天搜索指数呈上升趋势日均搜索量约5000次。tooldef translate(text: str, target_lang: str en) - str: 将文本翻译成目标语言 return f[翻译结果] {text} - {target_lang}: Translated content heretooldef read_file(path: str) - str: 读取本地文件内容 try: with open(path, r, encodingutf-8) as f: return f.read()[:1000] # 限制长度 except Exception as e: return f读取失败: {e}tools [get_baidu_index, translate, read_file]2. 创建Agentllm ChatOpenAI(modelgpt-4, temperature0)prompt ChatPromptTemplate.from_messages([ (system, 你是一个智能助手可以使用工具帮助用户解决问题。), (placeholder, {chat_history}), (human, {input}), (placeholder, {agent_scratchpad})])agent create_tool_calling_agent(llm, tools, prompt)executor AgentExecutor(agentagent, toolstools, verboseTrue)3. 运行测试executor.invoke({input: AI Agent这个关键词的搜索热度怎么样顺便把它翻译成英文。})六、工具设计最佳实践1. 描述要清晰# 不好的描述description 搜索工具好的描述description 用于在互联网上搜索实时信息包括新闻、天气、股价、技术文档等。当用户询问需要最新数据的问题时应该使用此工具。2. 参数设计要简洁# 参数过多过复杂{name: api, params: {type:weather,city:xxx,date:xxx}}扁平化参数{city: 北京, date: 2025-01-15}3. 处理工具执行错误def safe_tool_execute(tool_func, kwargs): try: result tool_func(kwargs) return {status: success, result: result} except Exception as e: return {status: error, error: str(e), hint: 请检查参数是否正确}4. 工具权限控制class PermissionedTool: def __init__(self, tool, allowed_usersNone): self.tool tool self.allowed_users allowed_users or [] def run(self, user_id, kwargs): if user_id not in self.allowed_users: return 错误您没有权限使用此工具 return self.tool.run(kwargs)七、总结工具调用是 Agent 的手让模型从纯文本推理走向实际操作。掌握工具设计、注册和调用的方法是构建实用 Agent 的必备技能。记住好的工具描述胜过复杂的代码模型的决策质量很大程度上取决于你如何描述工具的能力。---下一篇将介绍多Agent协作系统探索如何让多个Agent分工合作完成复杂任务。