什么是工具？

AI Agent 的一个重要方面是它们执行行动的能力。正如我们所见，这是通过使用工具来实现的。

在本节中，我们将学习什么是工具、如何有效设计它们以及如何通过系统消息将它们集成到您的 Agent 中。

通过为您的 Agent 提供正确的工具——并清楚地描述这些工具的工作原理——您可以大大提高您的 AI 所能完成的任务。让我们深入探讨吧！

什么是 AI 工具？

工具是赋予 LLM 的一个函数。此函数应实现一个明确的目标。

以下是 AI Agent 中一些常用的工具：

这些只是示例，因为您实际上可以为任何用例创建工具！

一个好的工具应该能够补充 LLM 的能力。

例如，如果您需要执行算术运算，为您的 LLM 提供一个计算器工具将比依赖模型本身的本机能力提供更好的结果。

此外，LLM 根据其训练数据预测提示的完成，这意味着它们的内部知识只包括训练之前发生的事件。因此，如果您的 Agent 需要最新数据，您必须通过某种工具提供它。

例如，如果您直接询问 LLM（没有搜索工具）今天的天气，LLM 可能会虚构随机的天气。

• 一个工具应该包含：

  • 函数功能的文本描述。
  • 一个可调用对象（用于执行操作）。
  • 带有类型标注的参数。
  • （可选）带有类型标注的输出。

工具如何工作？

LLM，正如我们所见，只能接收文本输入并生成文本输出。它们无法自行调用工具。当我们谈论向 Agent 提供工具时，我们指的是向 LLM 教授这些工具的存在，并指示它在需要时生成基于文本的调用。

例如，如果我们提供一个工具来从互联网检查某个位置的天气，然后询问 LLM 巴黎的天气，LLM 将识别出这是使用“天气”工具的机会。LLM 不会自己检索天气数据，而是生成表示工具调用的文本，例如 call weather_tool(‘Paris’)。

然后，Agent 读取此响应，识别出需要工具调用，代表 LLM 执行该工具，并检索实际的天气数据。

工具调用步骤通常不向用户显示：Agent 在将更新的对话再次传递给 LLM 之前，将其作为新消息附加。然后，LLM 处理此附加上下文并为用户生成自然听起来的响应。从用户的角度来看，似乎 LLM 直接与工具交互，但实际上，是 Agent 在后台处理了整个执行过程。

我们将在未来的课程中详细讨论这个过程。

我们如何向 LLM 提供工具？

完整的答案可能看起来令人不知所措，但我们基本上使用系统提示来向模型提供可用工具的文本描述。

为了使其正常工作，我们必须非常精确地说明：

1. 工具的作用
2. 它期望的精确输入

这就是为什么工具描述通常使用表达性但精确的结构（例如计算机语言或 JSON）提供的原因。这并不是必需的，任何精确且连贯的格式都可以。

如果这看起来过于理论化，让我们通过一个具体的例子来理解它。

我们将实现一个简化的计算器工具，它只将两个整数相乘。这可能是我们的 Python 实现：

def calculator(a: int, b: int) -> int:
    """Multiply two integers."""
    return a * b

因此，我们的工具名为`calculator`，它将两个整数相乘，并且需要以下输入：

• `a`（int）：一个整数。
• `b`（int）：一个整数。

该工具的输出是另一个整数，我们可以这样描述：

• （int）：`a` 和 `b` 的乘积。

所有这些细节都很重要。让我们将它们组合成一个文本字符串，用于描述我们的工具，以便 LLM 理解。

Tool Name: calculator, Description: Multiply two integers., Arguments: a: int, b: int, Outputs: int

提醒：这个文本描述是我们希望 LLM 了解工具的内容。

当我们把前面的字符串作为输入的一部分传递给 LLM 时，模型会把它识别为一个工具，并且知道需要传递什么作为输入以及从输出中期望什么。

如果我们想要提供额外的工具，我们必须保持一致并始终使用相同的格式。这个过程可能很脆弱，我们可能会不小心忽略一些细节。

有没有更好的方法？

工具部分自动格式化

我们的工具是用 Python 编写的，其实现已经提供了我们所需的一切：

• 描述其功能的名称：`calculator`
• 函数文档字符串提供的更长描述：`Multiply two integers.`
• 输入及其类型：函数明确期望两个 `int` 类型。
• 输出的类型。

人们使用编程语言是有原因的：它们表达力强、简洁、精确。

我们可以提供 Python 源代码作为 LLM 的工具规范，但工具的实现方式并不重要。重要的是它的名称、功能、期望的输入和提供的输出。

我们将利用 Python 的自省特性，利用源代码为我们自动构建工具描述。我们所需要做的就是工具实现使用类型提示、文档字符串和合理的函数名称。我们将编写一些代码来从源代码中提取相关部分。

完成之后，我们只需要使用 Python 装饰器来指示 `calculator` 函数是一个工具：

@tool
def calculator(a: int, b: int) -> int:
    """Multiply two integers."""
    return a * b

print(calculator.to_string())

请注意函数定义前的 `@tool` 装饰器。

通过我们接下来将看到的实现，我们将能够通过装饰器提供的 `to_string()` 函数从源代码中自动检索到以下文本：

Tool Name: calculator, Description: Multiply two integers., Arguments: a: int, b: int, Outputs: int

正如你所看到的，这和我们之前手动写的一模一样！

通用工具实现

我们创建了一个通用的 `Tool` 类，以便在需要使用工具时进行复用。

免责声明：此示例实现是虚构的，但与大多数库中的真实实现非常相似。

from typing import Callable


class Tool:
    """
    A class representing a reusable piece of code (Tool).

    Attributes:
        name (str): Name of the tool.
        description (str): A textual description of what the tool does.
        func (callable): The function this tool wraps.
        arguments (list): A list of arguments.
        outputs (str or list): The return type(s) of the wrapped function.
    """
    def __init__(self,
                 name: str,
                 description: str,
                 func: Callable,
                 arguments: list,
                 outputs: str):
        self.name = name
        self.description = description
        self.func = func
        self.arguments = arguments
        self.outputs = outputs

    def to_string(self) -> str:
        """
        Return a string representation of the tool,
        including its name, description, arguments, and outputs.
        """
        args_str = ", ".join([
            f"{arg_name}: {arg_type}" for arg_name, arg_type in self.arguments
        ])

        return (
            f"Tool Name: {self.name},"
            f" Description: {self.description},"
            f" Arguments: {args_str},"
            f" Outputs: {self.outputs}"
        )

    def __call__(self, *args, **kwargs):
        """
        Invoke the underlying function (callable) with provided arguments.
        """
        return self.func(*args, **kwargs)

它可能看起来很复杂，但如果我们慢慢地阅读它，我们就能明白它的作用。我们定义了一个`Tool`类，其中包括：

• `name` (str)：工具的名称。
• `description` (str)：工具功能的简要描述。
• `function` (callable)：工具执行的函数。
• `arguments` (list)：预期的输入参数。
• `outputs` (str 或 list)：工具的预期输出。
• `__call__()`：当调用工具实例时执行函数。
• `to_string()`：将工具的属性转换为文本表示。

我们可以使用如下代码创建此类的工具：

calculator_tool = Tool(
    "calculator",                   # name
    "Multiply two integers.",       # description
    calculator,                     # function to call
    [("a", "int"), ("b", "int")],   # inputs (names and types)
    "int",                          # output
)

但我们也可以使用 Python 的 `inspect` 模块为我们检索所有信息！这就是 `@tool` 装饰器所做的。

如果您感兴趣，可以展开以下部分查看装饰器实现。

import inspect

def tool(func):
    """
    A decorator that creates a Tool instance from the given function.
    """
    # Get the function signature
    signature = inspect.signature(func)

    # Extract (param_name, param_annotation) pairs for inputs
    arguments = []
    for param in signature.parameters.values():
        annotation_name = (
            param.annotation.__name__
            if hasattr(param.annotation, '__name__')
            else str(param.annotation)
        )
        arguments.append((param.name, annotation_name))

    # Determine the return annotation
    return_annotation = signature.return_annotation
    if return_annotation is inspect._empty:
        outputs = "No return annotation"
    else:
        outputs = (
            return_annotation.__name__
            if hasattr(return_annotation, '__name__')
            else str(return_annotation)
        )

    # Use the function's docstring as the description (default if None)
    description = func.__doc__ or "No description provided."

    # The function name becomes the Tool name
    name = func.__name__

    # Return a new Tool instance
    return Tool(
        name=name,
        description=description,
        func=func,
        arguments=arguments,
        outputs=outputs
    )

重申一下，有了这个装饰器，我们可以这样实现我们的工具：

@tool
def calculator(a: int, b: int) -> int:
    """Multiply two integers."""
    return a * b

print(calculator.to_string())

我们还可以使用 `Tool` 的 `to_string` 方法自动检索适合作为 LLM 工具描述的文本：

Tool Name: calculator, Description: Multiply two integers., Arguments: a: int, b: int, Outputs: int

该描述被注入到系统提示中。以我们本节开头讨论的示例为例，替换 `tools_description` 后它将是这样的：

在行动部分，我们将详细了解 Agent 如何调用我们刚刚创建的这个工具。

模型上下文协议 (MCP)：统一的工具接口

模型上下文协议 (MCP) 是一个开放协议，它规范了应用程序如何向 LLM 提供工具。MCP 提供：

• 不断增长的预构建集成列表，您的 LLM 可以直接接入
• 在 LLM 提供商和供应商之间切换的灵活性
• 在您的基础设施内保护数据的最佳实践

这意味着任何实现 MCP 的框架都可以利用协议中定义的工具，从而无需为每个框架重新实现相同的工具接口。

如果您想深入了解 MCP，可以查看我们的免费 MCP 课程。

工具在增强 AI Agent 能力方面发挥着至关重要的作用。

总而言之，我们学习了：

• 什么是工具：赋予 LLM 额外能力的函数，例如执行计算或访问外部数据。

• 如何定义工具：通过提供清晰的文本描述、输入、输出和可调用函数。

• 为什么工具必不可少：它们使 Agent 能够克服静态模型训练的局限性，处理实时任务，并执行专业操作。

现在，我们可以继续学习Agent 工作流，在那里您将看到 Agent 如何观察、思考和行动。这将我们迄今为止所涵盖的一切结合在一起，并为创建您自己的功能齐全的 AI Agent 奠定了基础。

但首先，是时候进行另一个简短的测验了！