理論：

模型決策是否調用工具：“工具使用的一個重要特性是條件性調用。 模型并非對所有問題都盲目調用工具，而是能智能判斷”：哪些問題要調用工具，哪些不需要就能解決答復。

工具即函數(shù)，工具類型：1.網(wǎng)絡搜索——》獲取實時數(shù)據(jù) 2.函數(shù)計算——》執(zhí)行計算 3.數(shù)據(jù)庫執(zhí)行動作——》訪問數(shù)據(jù)庫。

工具使用的意義和核心價值：見最后總結。

如今的主流語言模型都經(jīng)過直接訓練去使用工具，沒有訓練的語言模型就必須得寫提示詞來告訴模型如何使用工具。

使用工具步驟：

1.實現(xiàn)工具：開發(fā)者編寫功能函數(shù)：例如 get_current_time()。

2.設計系統(tǒng)提示告知模型：開發(fā)者編寫系統(tǒng)提示詞 (System Prompt)，告訴模型可以訪問哪些工具，并規(guī)定調用它的精確格式（即如何請求調用）。

3.1用戶提問

3.2 LLM決策，分析問題后，意識到調用工具

3.3 LLM模型根據(jù)提示詞輸出特定格式的文本：這個文本不是最終答案，而是一個“請求”，例如 FUNCTION: get_current_time()。

4.1解析輸出：開發(fā)者編寫代碼解析，監(jiān)聽讀取模型的輸出;

4.2意圖識別，識別輸出中是否包含“FUNCTION”關鍵字的“請求”，

4.3 提取這個“請求”的參數(shù)， 然后真正地調用對應的函數(shù)，獲得返回值。?

5.構建對話歷史：將函數(shù)結果連同之前的對話歷史（用戶問題和llm的函數(shù)請求）作為新的上下文輸入給模型。【LLM（大語言模型）本身不會直接調用工具。LLM 會“請求”開發(fā)者去調用某個工具，開發(fā)者負責執(zhí)行該工具并將其結果返回給 LLM?！?/a>

5.2反饋結果：讓LLM模型生成最終的自然語言回復。

AISuite 倉庫

AISuite?負責 schema 暴露、參數(shù)綁定、執(zhí)行與步驟間結果傳遞——你可以專注于智能體做成了什么，而不是如何調用 API。

疑問點：

1）docstring 是什么？

“你已經(jīng)看到工具的 docstring 可以幫助?aisuite?自動把函數(shù)變成 LLM 可用的工具”清晰且文檔完備的函數(shù)（精確的 docstring）有助于模型判斷何時、如何使用工具。

2）schema 是什么？

“工具通過列表傳入；但列表中的每個工具都遵循一套約定的 schema。該 schema 包含幾個關鍵部分：name：你在本地定義的對應函數(shù)名。description：解釋函數(shù)用途的描述，供 LLM 判斷何時使用。parameters：若函數(shù)有參數(shù)，這里也會描述參數(shù)名與參數(shù)含義”

關鍵收獲：

工具調用(tool calling)讓 LLM 超越純文本生成——它們可把函數(shù)作為推理的一部分。清晰且文檔完備的函數(shù)（精確的 docstring）有助于模型判斷何時、如何使用工具。AISuite 負責將 Python 函數(shù)轉換為工具 schema 并編排多步工作流。選擇合適模型很重要：小模型在簡單任務上更快更便宜，強模型更適合重推理的工作流。觀察完整的會話流程（promopts提示、tool calls工具調用、results結果、final response最終響應）對于調試與改進智能體性能至關重要。

讓系統(tǒng)自己編寫并執(zhí)行代碼來解決問題：

1.設計系統(tǒng)提示詞 (System Prompt)2.模型輸出3.提取與執(zhí)行4.反饋與格式化? ? ? 沙盒環(huán)境

MCP (Model Context Protocol)-模型上下文協(xié)議

MPC核心組件：

1. 客戶端 (Clients)

角色：希望訪問外部工具或數(shù)據(jù)的應用程序。示例：Cursor, Claude Desktop, Windsurf。功能：向 MCP 服務器發(fā)送請求，獲取數(shù)據(jù)或執(zhí)行操作。

2. 服務器 (Servers)

角色：提供工具和數(shù)據(jù)源的軟件服務。示例：Slack, Google Drive, GitHub, PostgreSQL。功能：作為“包裝器”，接收來自客戶端的請求，并將其轉換為對原始工具 API 的調用，然后將結果返回給客戶端。來源：部分服務器由服務提供商開發(fā)，但也有大量第三方開發(fā)者貢獻。