工具使用（Tool Use）| Agentic Design Patterns | 智能体设计模式

作者： /
内容纲要

导语

大语言模型训练数据是静态的，无法获取实时信息（天气、股价），也无法访问私有业务数据（订单、库存）。工具使用（Tool Use）通过函数调用机制，让智能体与外部 API、数据库、代码执行器交互，突破训练数据限制，实现实时信息检索与业务系统集成。本文介绍工具定义、调用流程、安全实践与主流框架对比，适合需要构建生产级智能体的开发者与架构师。

TL;DR

  • 核心：工具使用是智能体通过函数调用与外部系统交互的能力，包含工具定义、LLM 决策、函数调用生成、工具执行、结果返回与整合六个步骤。
  • 价值：突破训练数据时间限制（实时信息）、访问私有数据（业务系统）、执行实际操作（代码、API）。
  • 流程：定义工具描述 → LLM 判断是否需要 → 生成结构化调用（JSON）→ 执行函数 → 返回结果 → LLM 整合回复。
  • 安全：输入验证、权限控制、沙箱执行（代码）、审计日志、速率限制。
  • 框架：LangChain（自定义工具为主）、Google ADK（预置工具丰富）、CrewAI（多智能体协作）。
  • 延伸：与提示链、路由、并行化配合使用，见《./01-提示链.md》《./02-路由.md》《./03-并行化.md》。

是什么：工具使用的核心定义

工具使用（Tool Use），也称函数调用（Function Calling），是智能体通过结构化函数调用机制与外部 API、数据库、服务交互，甚至执行代码，从而突破大语言模型训练数据局限，获取实时信息和执行实际操作的能力。

chapter05_fig1

核心机制（六步流程）：

1. 工具定义 → 向 LLM 描述工具的用途、名称和参数
2. LLM 决策 → 判断是否需要调用工具
3. 生成函数调用 → 输出结构化调用请求（JSON）
4. 工具执行 → 框架执行实际函数
5. 返回结果 → 工具输出返回给智能体
6. LLM 处理 → 整合结果生成最终回复

核心思想：工具是连接 LLM 推理能力与外部功能的桥梁。

可视化示意图：

chapter05_fig2

图：工具使用设计模式 - 智能体通过函数调用与外部系统交互的完整流程

读图要点：工具定义、LLM 决策、函数调用生成、工具执行、结果返回与整合的闭环流程。

常见误解澄清：

  • ❌ 工具调用就是 API 调用：工具调用更广义，包括 API、数据库、代码执行、其他智能体等。
  • ❌ 所有任务都需要工具：简单问答、文本生成等无需工具，仅在需要实时数据或外部操作时使用。
  • ❌ 工具调用会增加很多延迟：可通过并行调用、缓存结果、异步执行优化。

为什么：产生背景与适用场景

产生背景

大语言模型的局限性：

  • 训练数据静态：无法获取最新信息（天气、新闻、股价）。
  • 无法访问私有数据：公司数据库、用户订单、业务系统。
  • 无法执行实际操作：无法调用 API、执行代码、操作文件系统。

工具使用解决了这些限制，让智能体具备“行动能力”。

适用场景

场景 1：实时信息检索

问题：LLM 训练数据静态，无法获取最新信息（如天气、股价、新闻）。

解决方案：

用户请求 → 智能体识别需要实时数据 → 调用天气/股票 API → 获取数据 → 格式化回复

价值：提供实时、准确的信息，突破训练数据时间限制。

实例：天气查询、新闻搜索、股票价格查询、汇率查询。

场景 2：业务系统交互

问题：无法访问私有数据（如公司数据库、用户订单、库存系统）。

解决方案：

用户查询 → 智能体调用业务 API（库存、订单、支付）→ 获取结构化数据 → 返回结果

价值：访问结构化业务数据，实现与现有系统的集成。

实例：电商库存查询、订单状态查询、支付处理、CRM 数据查询。

场景 3：代码执行与计算

问题：LLM 不擅长精确计算、代码执行、数据分析。

解决方案：

用户需求 → 智能体生成代码 → 调用代码执行器（沙箱）→ 执行并返回结果 → 解释结果

价值：执行复杂计算、数据分析、代码验证。

实例：数学计算、数据分析、代码调试、图表生成。

怎么做：工具定义与调用流程

工具定义清单

工具定义必须包含以下信息：

要素 说明 示例
名称 工具的唯一标识符 <code>get_weather</code>
功能描述 清晰说明工具用途，LLM 据此判断是否需要调用 "获取指定城市的当前天气信息"
参数列表 参数名称、类型、是否必填、描述 <code>city: str</code>（必填，城市名称）
返回格式 返回数据的结构和类型 <code>{"temperature": 25, "condition": "晴"}</code>
使用示例（推荐） 帮助 LLM 理解调用方式 <code>get_weather(city="北京")</code>
错误情况（推荐） 说明可能的错误和返回格式 城市不存在时返回 <code>{"error": "城市未找到"}</code>

调用流程（可落地步骤）

步骤 1：定义工具

# LangChain 示例
from langchain.tools import tool

@tool
def get_weather(city: str) -&gt; str:
    &quot;&quot;&quot;获取指定城市的当前天气信息。

    Args:
        city: 城市名称，如&quot;北京&quot;、&quot;上海&quot;

    Returns:
        天气信息的 JSON 字符串，包含温度、天气状况
    &quot;&quot;&quot;
    # 实际调用天气 API
    return json.dumps({&quot;temperature&quot;: 25, &quot;condition&quot;: &quot;晴&quot;})

说明：使用 <code>@tool</code> 装饰器定义工具，描述要清晰，参数类型要明确。

步骤 2：注册工具到智能体

# LangChain 示例
from langchain.agents import create_tool_calling_agent

agent = create_tool_calling_agent(
    llm=llm,
    tools=[get_weather, get_stock_price, query_database],
    prompt=prompt
)

说明：将工具列表传递给智能体，LLM 会根据用户请求自动判断是否需要调用。

步骤 3：执行与结果处理

# LangChain 示例
result = agent.invoke({&quot;input&quot;: &quot;北京今天天气怎么样？&quot;})
# LLM 自动判断需要调用 get_weather，执行后整合结果返回

说明：框架自动处理工具调用流程，开发者只需关注工具定义和结果处理。

安全实践清单

安全措施 说明 实施建议
输入验证 验证参数类型、范围、格式 使用 Pydantic 模型验证
权限控制 限制工具访问权限 基于用户角色、API Key 控制
沙箱执行 代码执行在隔离环境 使用 Docker 容器、资源限制
审计日志 记录所有工具调用 记录调用者、参数、结果、时间戳
速率限制 防止滥用和成本超支 限制调用频率、设置配额

对比与取舍：主流框架选型

框架对比表

框架 工具定义方式 核心组件 内置工具 适用场景
LangChain <code>@tool</code> 装饰器 <code>create_tool_calling_agent</code>, <code>AgentExecutor</code> 少量第三方集成 自定义工具为主，灵活度高
Google ADK <code>FunctionTool</code>, 预置工具 <code>Agent.tools</code> Google Search、代码执行、Vertex AI Search Google 生态集成，企业级应用
CrewAI <code>@tool</code> 装饰器 <code>Agent.tools</code>, <code>Crew</code> 部分集成 多智能体协作场景

选型建议

选择 LangChain 如果：

  • 需要高度自定义工具
  • 使用多种第三方 API
  • 需要精细控制调用流程

选择 Google ADK 如果：

  • 使用 Google Cloud 服务
  • 需要预置工具（搜索、代码执行）
  • 企业级安全与合规要求

选择 CrewAI 如果：

  • 构建多智能体协作系统
  • 需要工具在智能体间共享
  • 快速原型开发

常见错误与排错

典型坑位

问题 症状 识别方法 修复建议
工具描述不清晰 LLM 不调用或错误调用工具 观察 LLM 是否识别到需要工具 完善工具描述，添加使用示例
参数类型错误 工具执行失败，返回类型错误 检查工具定义和实际调用参数 使用类型注解，添加参数验证
缺少错误处理 工具失败导致整个流程中断 查看错误日志 在工具中实现 try-catch，返回清晰错误信息
权限不足 工具调用被拒绝 检查 API Key、权限配置 配置正确的认证信息
速率限制 频繁调用被限流 观察调用频率和错误码 实现重试机制、速率限制

调试技巧

  1. 启用详细日志：记录工具调用请求、参数、结果。
  2. 测试工具独立：先单独测试工具，再集成到智能体。
  3. 检查工具描述：确保描述清晰，LLM 能理解何时调用。
  4. 验证参数格式：确保 LLM 生成的参数符合工具要求。

FAQ

Q1：LLM 如何知道何时调用工具？
A：LLM 根据工具描述和用户请求判断。描述越清晰，判断越准确。可以在 system prompt 中引导，例如："当用户询问实时信息时，使用相应的工具获取数据。"

Q2：工具调用会增加延迟吗？
A：会。每次调用增加 1 次 API 请求 + 工具执行时间。可通过并行调用多个工具优化。

Q3：工具调用失败怎么办？
A：应在工具中实现错误处理，返回清晰的错误信息。LLM 可根据错误信息重试或告知用户。建议使用结构化错误格式，便于 LLM 理解。

Q4：能否调用多个工具？
A：可以。LLM 可以决定依次或并行调用多个工具。框架通常支持工具链（Tool Chaining）。

Q5：如何确保工具安全？
A：1) 输入验证和清洗；2) 权限控制；3) 沙箱执行（代码）；4) 审计日志；5) 速率限制。

Q6：工具定义需要包含什么？
A：必须：名称、功能描述、参数列表（类型、必填/可选）。推荐：使用示例、返回格式、错误情况。

Q7：函数调用和工具调用有什么区别？
A：函数调用指调用预定义的代码函数；工具调用更广义，包括 API、数据库、其他智能体等。在智能体语境中，两者常互换使用。

Q8：Google ADK 有哪些特色工具？
A：Google Search（网络搜索）、代码执行器（沙箱 Python 执行）、Vertex AI Search（企业私有数据搜索）、Vertex Extensions（企业级 API 封装）。详见 Google ADK Tools 文档。

延伸阅读与引用

官方文档

  • LangChain Tools：LangChain 框架的工具使用指南，包含工具定义、集成和最佳实践。
  • Google ADK Tools：Google ADK 工具文档，介绍预置工具和自定义工具的使用方法。
  • OpenAI Function Calling：OpenAI 函数调用机制详解，适用于使用 OpenAI 模型的场景。
  • CrewAI Tools：CrewAI 多智能体框架的工具使用说明。

总结

工具使用是智能体突破训练数据限制、连接外部世界的核心能力。通过清晰的工具定义、安全的调用流程、合理的框架选型，可以构建稳定、可扩展的生产级智能体系统。

相关文章

滚动至顶部