# 智能体核心机制：理解大模型的“工具调用”（Tool Use）

> 智能体执行外部操作的核心在于工具调用机制，该机制允许大语言模型结构化输出函数请求，连接计算与执行能力。流程涵盖定义工具、模型决策、执行反馈及生成回答。

原文：/knowledge/crawler-e172601f3c485537e4313df68d791187559f7aae0b6926af4e6886e646425722

智能体（Agent）之所以能够执行搜索、代码执行或文件处理等外部操作，核心在于其具备“工具调用”（Tool Use）或“函数调用”（Function Calling）的能力。这一机制允许大语言模型（LLM）在生成文本的同时，结构化地输出对特定函数的调用请求，从而将模型的计算能力与外部世界的执行能力连接起来。

[来源1](https://docs.langchain.com/oss/python/langchain/overview)

## 工具调用的基本工作原理

工具调用的过程通常遵循一个闭环流程：

1. **定义工具**：开发者将外部功能（如获取天气、查询数据库）封装为函数，并描述其名称、参数和用途。
2. **模型决策**：当用户提出请求时，大模型分析意图，判断是否需要调用工具。如果需要，模型会生成一个结构化的调用指令（而非纯文本回复）。
3. **执行与反馈**：系统拦截该指令，执行相应的函数代码，并将执行结果返回给模型。
4. **生成最终回答**：模型根据工具返回的结果，生成最终的自然语言回答。

LangChain 等框架通过 `create_agent` 等接口简化了这一过程，将模型、工具、提示词和中间件组合成一个可配置的“智能体 harness”（智能体容器）[1]。

[来源1](https://docs.langchain.com/oss/python/langchain/overview)

## 代码实现示例

在 LangChain 中，开发者可以定义一个简单的 Python 函数作为工具，并将其注入到智能体中。以下是一个获取天气信息的示例：

```python
from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_agent(
    model="openai:gpt-6.1-sol",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "What's the weather in San Francisco?"}]}
)
```

在此示例中，`get_weather` 函数被作为 `tools` 参数传入。当用户询问旧金山天气时，智能体会自动调用该函数，并将结果整合到回复中[1]。

[来源1](https://docs.langchain.com/oss/python/langchain/overview)

## 多模型支持与标准化接口

工具调用并非特定于某一家厂商的技术，而是大模型领域的一种标准化交互模式。主流模型提供商（如 OpenAI、Anthropic、Google 等）均支持这一机制。LangChain 提供了统一的模型接口，使得开发者可以使用相同的代码结构适配不同的后端模型[1]。

例如，同样的工具调用逻辑可以应用于 Google Gemini、Anthropic Claude 或 HuggingFace 的 Phi 模型[1]。这种标准化降低了技术栈锁定的风险，使应用更具可移植性[1]。

[来源1](https://docs.langchain.com/oss/python/langchain/overview)

## 在复杂智能体架构中的作用

在更复杂的智能体系统（如 Kuntria 或 LangChain 的 Deep Agents）中，工具调用是连接“治理层”与“智能核心”或“外部世界”的关键纽带。虽然具体的架构可能涉及 Go 网关、Python 核心或 LangGraph 的状态机，但底层执行外部操作（如代码审查、文件处理）的逻辑依然依赖于模型对工具调用的准确理解和执行[2]。

LangChain 的 `create_agent` 构建在 LangGraph 之上，利用其 durable execution（持久化执行）和 human-in-the-loop（人在回路）支持，使得工具调用过程中的状态管理和错误处理更加稳健[1]。

[来源1](https://docs.langchain.com/oss/python/langchain/overview) · [来源2](https://www.anthropic.com/)
