工具使用（Tool Use）：LLM 如何调用工具

工具使用（Tool Use，也叫 function calling）让 LLM 不只是写文字，还能调用真正的函数——这是每个 AI agent 的基础。

核心问题

LLM 本身只能生成文字。它不能保存文件、查询数据库，也不能发邮件。工具使用（Tool Use，也叫 function calling）解决了这个问题：你把可用的“工具”（tools）描述给模型——比如一个叫 get_weather 或 send_email 的函数——并附上一份说明它们需要什么输入的 schema。

整个流程是如何运作的

当模型判断需要用到某个工具时，它不会用普通文字回答，而是返回一个结构化的“tool_use”块：工具名称加上以 JSON 格式给出的输入参数。你的应用读取这个块，执行真正的操作（调用 API、查询数据库），然后把结果作为“tool_result”发回给模型。模型会用这个结果继续工作，或组织出最终答案。

为什么这是所有 agent 的基础

Agent 归根结底就是一个在循环中调用工具的 LLM：提出请求、使用工具、读取结果、选择下一个工具，直到任务完成。没有工具使用，模型就只是一个纯文字生成器，无法对真实世界产生任何影响。

一个重要的特性

模型本身从不执行代码。它只决定何时调用哪个工具、传入什么参数。真正的执行——以及由此而来的风险控制——都掌握在你的应用手里。

示例

一个天气工具被定义为 { name: 'get_weather', input_schema: {location: string} }。用户问：“柏林天气怎么样？”Claude 返回一个 tool_use 块：{ name: 'get_weather', input: {location: 'Berlin'} }。你的应用调用真正的天气 API，把结果作为 tool_result 发回。之后 Claude 才会把它组织成文字回答。

🛠️ 练习——自己动手试试

为你自己选的一个任务（比如 search_product）定义一个简单的工具 schema，然后让一个 LLM 生成对应的 tool_use 调用。

为你的工具写一个 JSON schema，包含名称、描述和 1-2 个输入参数。
写一个明显需要用到这个工具的用户问题，把它和 schema 一起交给一个模型。
检查返回结果：是否收到了一个带有合理参数的正确 tool_use 块？

✅ 自查清单

☐ 模型有没有选对工具（而不是比如直接猜一个答案）？
☐ tool_use 块里的参数是否正确地从用户问题中提取出来了？
☐ 如果工具描述写得含糊，会发生什么——你有没有实际测试过？

小测验

当 Claude 想要调用一个工具时，会发生什么？