【Agent从入门到实践】31 工具调用的核心逻辑：Agent如何选择并执行工具

目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步。想要系统学习AI知识的朋友可以看看我的教程http://blog.csdn.net/jiangjunshow，教程通俗易懂，风趣幽默，从深度学习基础原理到各领域实战应用都有讲解。

前言

各位小伙伴，上一篇咱们把代码注释生成Agent从0到1跑通了，能自动解析代码、调用大模型生成注释。但你有没有想过：Agent怎么知道“什么时候该用什么工具”？比如遇到数学计算、查资料、调接口、写文件这些事，它不是瞎猜，而是有一套完整的“决策+执行+反馈”逻辑。

这篇就用最口语、最接地气的方式，把Agent工具调用的核心逻辑讲透，再用Python写一个可运行的极简示例，让你一看就懂、一跑就会！

一、先搞懂：Agent为什么需要“工具”？

先打个比方：

• 大模型就像**“大脑”，会思考、会说话、会推理，但不会真的“动手”**（比如算 12345×67890、查今天北京天气、写文件到本地）；
• 工具就像**“手和脚”**，计算器、搜索引擎、API、文件读写、代码执行器……专门干“脏活累活”。

Agent = 大脑（大模型） + 手脚（工具） + 指挥系统（工具调用逻辑）
没有工具的Agent，只能“纸上谈兵”；有了工具，才能真正落地解决问题！

二、工具调用的核心流程（4步走，记牢！）

不管多复杂的Agent，工具调用都逃不过这 4 步，我叫它**“思考-选工具-执行-反馈”闭环**：

1. 理解用户意图（Think）

Agent先把用户的问题“翻译”成自己能懂的指令：

• 用户问：“帮我算 12345 × 67890 等于多少，再把结果存到 result.txt 里”
• Agent理解：需要计算+写文件两个动作

2. 选择合适的工具（Select Tool）

Agent根据意图，从“工具库”里挑出能用的工具：

• 工具库可能有：计算器、文件读写、搜索引擎、代码执行器、API调用器……
• 上面的问题 → 选：calculator+file_writer

3. 执行工具（Execute）

Agent把参数传给工具，让工具“干活”：

• 给calculator传：12345 * 67890
• 给file_writer传：文件名result.txt，内容是计算结果

4. 把结果返回给用户（Feedback）

工具执行完，把结果返回给Agent，Agent再整理成自然语言回答用户：

• “计算结果是：838102050，已保存到 result.txt 文件中。”

关键：这 4 步可能循环 N 次！
比如用户问：“帮我查今天北京天气，然后写个天气总结存到文件里”
→ 先调用search查天气 → 拿到结果 → 再调用file_writer写文件 → 最后回答用户。

三、工具调用的 3 种核心模式（最新主流方案）

现在业界主流就 3 种，从简单到复杂，我给你讲人话版：

模式1：函数调用（Function Calling）—— 最常用、最稳定

原理：大模型直接输出“工具名+参数”的结构化数据（比如JSON），Agent解析后调用对应工具。
代表：OpenAI Function Calling、通义千问 Function Call、Anthropic Tool Use
优点：准确率高、速度快、易实现
缺点：依赖大模型支持，工具不能太复杂

模式2：ReAct（Reason + Act）—— 边思考边行动

原理：大模型先输出“思考过程”，再输出“行动（工具+参数）”，循环直到问题解决。
代表：LangChain ReAct、AutoGPT、BabyAGI
优点：可解释性强，适合复杂多步任务
缺点：速度慢，容易“想太多”或“卡循环”

模式3：计划执行（Plan & Execute）—— 先规划再干活

原理：Agent先制定完整“执行计划”（比如步骤1、步骤2、步骤3），再按计划依次调用工具。
代表：Plan-and-Solve、GPT-4 Planner、LangChain PlanExecute
优点：适合长流程、多工具协作任务
缺点：计划可能出错，需要“重规划”能力

日常开发首选：模式1（Function Calling），简单、稳定、好落地！下面咱们就用它写示例。

四、动手实现：极简Agent + 工具调用（Python可运行）

咱们做一个极简但完整的Agent，支持 3 个工具：

1. calculator：计算器（加减乘除）
2. file_writer：写文件到本地
3. web_search：模拟搜索引擎（这里用假数据，真实场景可接SerpAPI/百度API）

1. 项目结构（超简单）

agent_tool_demo/ ├── agent.py # Agent核心逻辑 ├── tools.py # 工具库 └── main.py # 启动入口

2. 第一步：写工具库（tools.py）—— Agent的“手脚”

所有工具都在这里，每个工具是一个函数，有名称、描述、参数，方便大模型识别。

# tools.pydefcalculator(expression:str)->str:""" 计算器工具：支持加减乘除四则运算 :param expression: 数学表达式，比如 "123 + 456"、"789 * 10" :return: 计算结果字符串 """try:# 安全计算（真实场景建议用 ast.literal_eval 或第三方库）result=eval(expression)returnf"计算结果：{result}"exceptExceptionase:returnf"计算失败：{str(e)}"deffile_writer(filename:str,content:str)->str:""" 写文件工具：将内容写入指定文件 :param filename: 文件名，比如 "result.txt" :param content: 要写入的内容 :return: 执行结果字符串 """try:withopen(filename,"w",encoding="utf-8")asf:f.write(content)returnf"文件写入成功：{filename}"exceptExceptionase:returnf"写入失败：{str(e)}"defweb_search(query:str)->str:""" 模拟搜索引擎工具：返回假数据（真实场景接SerpAPI/百度/谷歌API） :param query: 搜索关键词 :return: 搜索结果字符串 """# 模拟数据mock_results={"北京今天天气":"北京今天晴，15-25℃，微风，适合出行","Python最新版本":"Python最新稳定版是 3.12.0，发布于2023-10-02","AI Agent工具调用":"主流工具调用模式：Function Calling、ReAct、Plan&Execute"}returnmock_results.get(query,f"未找到关于 '{query}' 的信息")# 工具清单：给大模型看的“工具菜单”（关键！）TOOLS=[{"type":"function","function":{"name":"calculator","description":"计算器，支持加减乘除四则运算，比如计算 123 * 456","parameters":{"type":"object","properties":{"expression":{"type":"string","description":"数学表达式，如 '123 + 456'、'789 * 10'"}},"required":["expression"]}}},{"type":"function","function":{"name":"file_writer","description":"将内容写入指定文件，比如把结果存到 result.txt","parameters":{"type":"object","properties":{"filename":{"type":"string","description":"文件名，如 'result.txt'"},"content":{"type":"string","description":"要写入的文件内容"}},"required":["filename","content"]}}},{"type":"function","function":{"name":"web_search","description":"搜索引擎，查询天气、知识、新闻等信息","parameters":{"type":"object","properties":{"query":{"type":"string","description":"搜索关键词，如 '北京今天天气'、'Python最新版本'"}},"required":["query"]}}}]# 工具映射：工具名 → 函数（方便Agent调用）TOOL_MAP={"calculator":calculator,"file_writer":file_writer,"web_search":web_search}

3. 第二步：写Agent核心逻辑（agent.py）—— 指挥系统

核心就是：接收用户问题 → 调用大模型判断是否用工具 → 解析工具调用 → 执行工具 → 返回结果。

这里用OpenAI Function Calling（没有OpenAI也可以用通义千问，逻辑几乎一样）。

# agent.pyimportjsonfromopenaiimportOpenAIfromdotenvimportload_dotenvimportosfromtoolsimportTOOLS,TOOL_MAP# 加载环境变量（OPENAI_API_KEY）load_dotenv()client=OpenAI(api_key=os.getenv("OPENAI_API_KEY"))classToolCallAgent:def__init__(self):# 对话历史（保持上下文，多轮工具调用需要）self.messages=[{"role":"system","content":"你是一个专业的AI助手，擅长使用工具解决问题。如果需要工具，严格按函数调用格式返回；如果不需要工具，直接回答用户。"}]def_call_llm(self,use_tools:bool=True):"""调用大模型，支持工具调用"""kwargs={"model":"gpt-3.5-turbo","messages":self.messages,"temperature":0.3}ifuse_tools:kwargs["tools"]=TOOLS kwargs["tool_choice"]="auto"# 自动选择是否用工具response=client.chat.completions.create(**kwargs)returnresponse.choices[0].messagedefrun(self,user_query:str)->str:""" 运行Agent，处理用户问题 :param user_query: 用户问题 :return: 最终回答 """# 1. 把用户问题加入对话历史self.messages.append({"role":"user","content":user_query})print(f"🤖 用户问题：{user_query}")# 2. 循环处理工具调用（可能多轮）whileTrue:# 调用大模型response_msg=self._call_llm(use_tools=True)# 把大模型回复加入历史self.messages.append(response_msg)# 3. 判断是否需要调用工具tool_calls=response_msg.tool_callsifnottool_calls:# 没有工具调用，直接返回回答returnresponse_msg.content# 4. 有工具调用，逐个执行print(f"\n🛠️ 准备调用工具：{[tc.function.namefortcintool_calls]}")tool_responses=[]fortcintool_calls:tool_name=tc.function.name tool_args=json.loads(tc.function.arguments)tool_func=TOOL_MAP.get(tool_name)ifnottool_func:tool_resp=f"工具{tool_name}不存在"else:print(f" 执行工具：{tool_name}，参数：{tool_args}")# 执行工具tool_resp=tool_func(**tool_args)print(f" 工具结果：{tool_resp}")# 把工具执行结果加入对话历史（关键！大模型需要知道结果）tool_responses.append({"tool_call_id":tc.id,"role":"tool","name":tool_name,"content":tool_resp})# 5. 把工具结果返回给大模型，进入下一轮循环self.messages.extend(tool_responses)# 测试（单独运行 agent.py）if__name__=="__main__":agent=ToolCallAgent()# 测试1：计算 + 写文件# resp = agent.run("帮我算 12345 × 67890 等于多少，然后把结果存到 result.txt 里")# 测试2：查天气 + 写总结resp=agent.run("帮我查北京今天天气，然后写一个天气总结存到 weather.txt 里")print(f"\n🎉 最终回答：{resp}")

4. 第三步：写启动入口（main.py）—— 一键运行

# main.pyfromagentimportToolCallAgentdefmain():print("🚀 工具调用Agent已启动！输入 'exit' 退出")agent=ToolCallAgent()whileTrue:user_input=input("\n请输入你的问题：")ifuser_input.lower()in["exit","quit","q"]:print("👋 再见！")break# 运行Agentanswer=agent.run(user_input)print(f"\n✅ Agent回答：{answer}")if__name__=="__main__":main()

5. 第四步：配置 .env 文件（和之前一样）

OPENAI_API_KEY="sk-你的OpenAI密钥"

6. 安装依赖（极简，只装必要的）

pipinstallopenai python-dotenv

五、运行效果演示（看一遍就懂）

运行python main.py，输入问题：

帮我查北京今天天气，然后写一个天气总结存到 weather.txt 里

输出流程：

🚀 工具调用Agent已启动！输入 'exit' 退出 请输入你的问题：帮我查北京今天天气，然后写一个天气总结存到 weather.txt 里 🤖 用户问题：帮我查北京今天天气，然后写一个天气总结存到 weather.txt 里 🛠️ 准备调用工具：['web_search'] 执行工具：web_search，参数：{'query': '北京今天天气'} 工具结果：北京今天晴，15-25℃，微风，适合出行 🛠️ 准备调用工具：['file_writer'] 执行工具：file_writer，参数：{'filename': 'weather.txt', 'content': '北京今天天气总结：晴，15-25℃，微风，适合出行。'} 工具结果：文件写入成功：weather.txt ✅ Agent回答：已为你查询到北京今天天气：晴，15-25℃，微风，适合出行，并将天气总结写入 weather.txt 文件中。

本地会生成：weather.txt，内容就是天气总结。

完美！这就是Agent工具调用的完整闭环。

六、核心知识点总结（敲黑板！）

1. Agent = 大模型（大脑） + 工具（手脚） + 工具调用逻辑（指挥）
2. 核心流程：理解意图 → 选工具 → 执行 → 反馈（可循环）
3. 主流模式：Function Calling（首选）、ReAct、Plan&Execute
4. 关键细节：
   • 工具必须有清晰的名称、描述、参数（大模型才能看懂）
   • 工具执行结果必须返回给大模型（上下文很重要）
   • 多轮工具调用需要保留对话历史
5. 真实场景扩展：
   • 工具库可以加：代码执行器、数据库查询、API调用、浏览器操作（Playwright）、邮件发送……
   • 大模型可以换：通义千问、文心一言、Claude、Llama 3（本地大模型也支持Function Calling）
   • 可以加：工具权限控制、工具执行失败重试、工具调用日志、用户确认机制

目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步。想要系统学习AI知识的朋友可以看看我的教程http://blog.csdn.net/jiangjunshow，教程通俗易懂，风趣幽默，从深度学习基础原理到各领域实战应用都有讲解。