Tbye.
返回手记
AI··7 min read

Tool Calling 实战 - 让 Agent 自主调用外部工具

如何让 AI Agent 自己决定何时调用 API、查询数据库、生成图表？深入理解 Tool Calling 机制，构建能自主行动的智能助手。

Tool Calling 实战 - 让 Agent 自主调用外部工具

一句话概括

Tool Calling（工具调用）让 AI 不再只会"说话"，而是能主动决定何时调用外部工具完成实际任务。

问题：AI 只会聊天，干不了实事

传统的 LLM 对话有个致命缺陷：它只能生成文字，无法直接操作外部系统。

当用户问："帮我查一下北京明天的天气"，AI 只能这样回答：

"抱歉，我无法实时获取天气信息，请访问天气网站查询。"

这就像雇了个助手，他只会说"您可以自己去做"，完全没用。

我们需要的是：AI 能自己判断需要调用天气 API，拿到数据，然后告诉你结果。

Tool Calling 如何工作？

核心流程

用户问："查北京明天天气"，AI 判断需要调用 get_weather 函数，系统执行后返回天气数据，AI 整合信息回答用户。

关键在于：AI 自己决定何时、调用哪个工具、传什么参数。

技术原理

  • 定义工具：告诉 AI 有哪些函数可用、参数格式
  • AI 决策：模型判断是否需要调用工具
  • 执行调用：你的代码真正执行函数
  • 返回结果：把结果塞回对话，AI 继续处理

快速上手：构建天气助手

定义工具

const tools = [
  {
    type: "function",
    function: {
      name: "get_weather",
      description: "获取指定城市的天气信息",
      parameters: {
        type: "object",
        properties: {
          city: { type: "string" },
          date: { type: "string" },
        },
        required: ["city", "date"],
      },
    },
  },
]

关键点：description 要清晰，AI 靠这个判断何时调用。

处理 Tool Call

const response = await openai.chat.completions.create({
  model: "gpt-4o",
  messages: [{ role: "user", content: "北京明天天气？" }],
  tools: tools,
})
 
const toolCall = response.choices[0].message.tool_calls?.[0]
 
if (toolCall) {
  const args = JSON.parse(toolCall.function.arguments)
  const result = await get_weather(args.city, args.date)
 
  const finalResponse = await openai.chat.completions.create({
    model: "gpt-4o",
    messages: [
      { role: "user", content: "北京明天天气？" },
      response.choices[0].message,
      {
        role: "tool",
        tool_call_id: toolCall.id,
        content: JSON.stringify(result),
      },
    ],
  })
 
  console.log(finalResponse.choices[0].message.content)
}

高级场景：多工具协同

智能数据分析助手

用户问："帮我分析一下上个月的销售数据，并生成趋势图。"

AI 需要：查询数据库 → 生成图表 → 计算趋势

工具定义：

const tools = [
  {
    type: "function",
    function: {
      name: "query_database",
      description: "从数据库查询销售数据",
      parameters: {
        type: "object",
        properties: {
          table: { type: "string" },
          month: { type: "string" },
        },
      },
    },
  },
  {
    type: "function",
    function: {
      name: "generate_chart",
      description: "生成数据可视化图表",
      parameters: {
        type: "object",
        properties: {
          data: { type: "array" },
          type: { type: "string" },
        },
      },
    },
  },
]

AI 会自动编排：先查数据 → 生成图表 → 整合结果回答。

最佳实践

工具描述要精准

  • 不好：description 写 '获取天气'
  • 好：description 写 '获取指定城市未来3天的天气预报，包括温度、湿度、风力'

AI 依赖描述判断是否调用，模糊的描述会导致误调用或不调用。

参数校验

虽然 JSON Schema 做了约束，但 AI 可能生成非预期值，代码层再验证一次。

function get_weather(city: string, date: string) {
  if (!["今天", "明天", "后天"].includes(date)) {
    throw new Error("date 参数错误")
  }
  // 实际调用天气 API
}

错误处理

try {
  const result = await get_weather(args.city, args.date)
} catch (error) {
  return { error: error.message }
}

把错误信息返回给 AI，让它重新处理。

框架支持

Vercel AI SDK

import { openai } from "@ai-sdk/openai"
import { generateText } from "ai"
 
const { text } = await generateText({
  model: openai("gpt-4o"),
  prompt: "北京明天天气？",
  tools: {
    getWeather: {
      description: "获取天气信息",
      parameters: z.object({
        city: z.string(),
        date: z.string(),
      }),
      execute: async ({ city, date }) => {
        return await fetch("...")
      },
    },
  },
})

优势：自动处理工具调用流程，支持流式响应 + Tool Calling。

实战案例：智能客服机器人

需求：用户咨询订单状态、退款、修改地址。

工具定义：

  • query_order：查询订单状态
  • request_refund：发起退款申请
  • update_address：修改收货地址

对话流程示例：

用户问："帮我查一下订单号12345的物流"，AI 调用 query_order，系统返回已发货状态，AI 回复："您的订单已发货，顺丰单号 SF1234567890"。

用户说："帮我改一下收货地址"，AI 回复："请提供新的收货地址"，用户提供地址后，AI 调用 update_address，成功后回复："地址已修改成功"。

关键：AI 自己判断何时需要工具、何时需要追问用户、何时直接回答。

总结

Tool Calling 让 AI 从"对话系统"升级为"行动系统"：

  • 自主决策：AI 判断何时需要工具
  • 参数推理：从用户输入中提取调用参数
  • 多工具编排：自动组合多个工具完成复杂任务
  • 错误恢复：调用失败后重试或请求用户帮助

下一步：结合 Durable Execution + Multimodal + Tool Calling，你就能构建真正可靠、全能的 AI Agent。

明日预告：《Agent 的长期记忆 - RAG 与向量数据库实战》，解决 AI "健忘症"问题。

推荐阅读：

  • OpenAI Function Calling 官方文档
  • Vercel AI SDK Tools
  • 第1篇：为什么 Agent 需要独立的基础设施？