AI 智能体不会用工具?等于白搭!5 分钟教会它＂干活＂

01 又一个新概念？

如果你已经试过 AI 智能体，可能已经发现一个问题：

问它”今天北京天气怎么样”，它能回答。

但让它”查一下北京天气，然后发邮件告诉我妈”，它就懵了。

为什么？因为它不会用工具。

工具使用是 AI 智能体从”聊天机器人”变成”数字员工”的关键一步。

今天就把工具使用设计模式给你讲清楚，让你5 分钟教会智能体”干活”。

02 什么是工具使用模式？（说人话版）

先给个直白的定义：

工具使用模式 = 让 AI 智能体学会调用外部工具完成任务

就像你用手机：

• 要查天气 → 打开天气 App
• 要发邮件 → 打开邮箱 App
• 要打车 → 打开打车 App

你不会自己算天气、自己送信、自己开车，对吧？

AI 智能体也是一样：

• 要查实时数据 → 调用天气 API
• 要发邮件 → 调用邮件服务
• 要查数据库 → 调用 SQL 查询

工具使用模式让智能体从”只会动嘴”变成”能动手”。

03 为什么需要工具？（边界在哪）

有人问：大模型不是什么都知道吗？

真相：大模型有三大边界

边界一：不知道实时信息

大模型的知识有截止时间，它不知道：

• 今天的天气
• 现在的股票价格
• 刚刚发生的新闻

解决：调用实时 API

# 定义工具defget_weather(location: str) -> str:"""查询当前天气"""returnf"{location} 今天晴，25°C"defget_stock_price(symbol: str) -> str:"""查询股票价格"""returnf"AAPL 当前价格：$175.50"

边界二：不能执行实际操作

大模型不能：

• 发邮件
• 订机票
• 更新数据库
• 生成文件

解决：调用执行工具

defsend_email(to: str, content: str) -> str:"""发送邮件"""# 实际调用邮件服务returnf"邮件已发送至 {to}"defbook_flight(date: str, destination: str) -> str:"""预订机票"""# 实际调用订票系统returnf"已预订 {date} 飞往 {destination} 的机票"

边界三：算不了复杂数学

大模型擅长语言，不擅长：

• 复杂计算
• 数据分析
• 代码执行

解决：调用代码解释器

defcalculate_mortgage(principal: float, rate: float, years: int) -> str:"""计算房贷月供"""    monthly_rate = rate / 12 / 100    months = years * 12    payment = principal * monthly_rate * (1 + monthly_rate) ** months / ((1 + monthly_rate) ** months - 1)returnf"月供：${payment:.2f}"

04 工具使用有哪些场景？（最实用部分）

这部分大家最关心：实际能用在哪？

我整理了最常见、最落地的 5 个用途：

用途一：动态信息查询

场景： 用户问需要实时数据的问题

例子：

• “北京今天天气怎么样？”
• “苹果股票现在多少钱？”
• “最近有什么热门新闻？”

工具： 天气 API、股票 API、新闻 API

效果： 智能体回答准确、及时。

用途二：代码执行和解释

场景： 用户需要计算、分析、生成代码

例子：

• “帮我算一下房贷月供”
• “分析这个销售数据”
• “写个 Python 脚本抓取网页数据”

工具： 代码解释器、Jupyter Notebook

效果： 智能体不仅能说，还能算、能写、能跑。

用途三：工作流自动化

场景： 多步骤重复性工作

例子：

• 每天早上整理数据，生成日报，发邮件给老板
• 客户下单后，自动更新库存，发发货通知
• 会议纪要自动生成，待办事项自动分配

工具： 任务调度器、邮件服务、数据库

效果： 原本 1 小时的活，现在 1 分钟搞定。

用途四：客户服务

场景： 客服系统、问答机器人

例子：

• 查询订单状态
• 处理退款申请
• 回答产品问题

工具： CRM 系统、工单系统、知识库

效果： 80% 的问题自动解决，人工只处理复杂情况。

用途五：内容生成和编辑

场景： 写作、编辑、审核

例子：

• 写文章后自动检查语法
• 生成长文后自动摘要
• 发布前自动审核敏感内容

工具： 语法检查器、文本摘要器、内容审核器

效果： 内容质量更高，出错率更低。

05 怎么实现工具使用？（核心要素）

实现工具使用模式，需要 6 个核心要素：

要素一：函数/工具描述（Schema）

作用： 告诉大模型有哪些工具可用、每个工具是干嘛的、需要什么参数。

例子：

tools = [    {"type": "function","function": {"name": "get_current_time","description": "获取指定城市的当前时间","parameters": {"type": "object","properties": {"location": {"type": "string","description": "城市名称，例如：北京",                    },                },"required": ["location"],            },        }    }]

要素二：函数执行逻辑

作用： 决定什么时候调用哪个工具。

流程：

1. 用户提问
2. 大模型分析问题，选择工具
3. 返回工具名称和参数
4. 执行工具代码
5. 把结果返回给大模型
6. 大模型生成最终回答

要素三：消息处理系统

作用： 管理对话流程，记住上下文。

例子：

messages = [    {"role": "user", "content": "北京现在几点了？"},    {"role": "assistant", "tool_calls": [{"name": "get_current_time", "arguments": {"location": "北京"}}]},    {"role": "tool", "content": "北京当前时间：14:30"},    {"role": "assistant", "content": "北京现在是下午 2 点 30 分。"}]

要素四：工具集成框架

作用： 连接智能体和各种工具。

选择：

• 自己实现（灵活但复杂）
• 用框架（简单但有限制）

推荐框架：

• Microsoft Agent Framework
• Azure AI Agent Service
• LangChain

要素五：错误处理和验证

作用： 处理工具调用失败、参数错误等情况。

例子：

defsafe_get_weather(location: str) -> str:try:# 调用天气 APIreturn weather_api.get(location)except Exception as e:returnf"抱歉，无法获取 {location} 的天气信息"

要素六：状态管理

作用： 记住历史对话和工具调用结果。

例子：

memory = {"user_preferences": {"location": "北京"},"previous_queries": ["天气", "时间"],"tool_results": {"weather": "晴，25°C"}}

06 用框架实现工具调用（最简单方式）

自己从零实现工具调用比较复杂，推荐用框架。

方式一：Microsoft Agent Framework

特点： 开源、简单、灵活

代码示例：

from agent_framework import toolfrom agent_framework.azure import AzureAIProjectAgentProvider# 用装饰器定义工具@tooldefget_current_time(location: str) -> str:"""获取指定城市的当前时间"""# 实际代码逻辑returnf"{location} 当前时间：14:30"# 创建智能体provider = AzureAIProjectAgentProvider()agent = await provider.create_agent(    name="时间助手",    instructions="用可用工具回答问题",    tools=[get_current_time])# 运行response = await agent.run("北京现在几点了？")

优点：

• 自动处理工具调用流程
• 支持预构建工具（文件搜索、代码解释器）
• 代码简洁

方式二：Azure AI Agent Service

特点： 企业级、安全、可扩展

优势：

• 自动工具调用（不用自己解析）
• 安全的数据管理（线程自动保存历史）
• 开箱即用的工具（Bing 搜索、Azure AI Search、Azure Functions）

工具分类：

知识工具：

• Bing 搜索（联网查信息）
• 文件搜索（查企业内部文档）
• Azure AI Search（专业搜索引擎）

行动工具：

• 函数调用（自定义工具）
• 代码解释器（执行代码）
• OpenAPI 工具（调用第三方服务）
• Azure Functions（云端函数）

07 实际案例：销售数据分析智能体

需求： 做一个能回答销售数据问题的智能体

方案设计：

from azure.ai.projects import AIProjectClientfrom azure.ai.projects.models import ToolSet, FunctionTool, CodeInterpreterTool# 初始化客户端project_client = AIProjectClient.from_connection_string(    credential=DefaultAzureCredential(),    conn_str="你的连接字符串")# 定义自定义工具deffetch_sales_data_using_sqlite_query(query: str) -> str:"""用 SQL 查询销售数据"""# 实际查询数据库return"Q4 销售额：$1.2M"# 创建工具集toolset = ToolSet()toolset.add(FunctionTool(fetch_sales_data_using_sqlite_query))toolset.add(CodeInterpreterTool())# 创建智能体agent = project_client.agents.create_agent(    model="gpt-4o-mini",    name="销售助手",    instructions="你是帮助分析销售数据的助手",    toolset=toolset)

效果：

• 用户问”Q4 销售额多少？” → 自动查询数据库
• 用户说”做个图表” → 自动调用代码解释器生成
• 用户问”和去年同期比怎么样？” → 自动计算增长率

08 避坑指南：这些坑要避开

火得快的东西，坑也多。

关于工具使用，这几件事一定要清醒：

❌ 坑一：安全问题（SQL 注入、恶意操作）

风险： 智能体生成的 SQL 可能被注入，或者执行危险操作。

解决：

• 数据库设置只读权限
• 限制可执行的操作类型
• 在安全环境中运行

最佳实践：

# 只读数据库连接db_connection = create_readonly_connection()# 限制可执行的 SQL 类型allowed_operations = ["SELECT"]

❌ 坑二：工具太多，智能体选错

风险： 注册了几十个工具，智能体经常调用错误的。

解决：

• 按场景分组工具
• 给每个工具写清晰的描述
• 必要时手动指定工具

❌ 坑三：参数传错，工具执行失败

风险： 大模型生成的参数格式不对，工具报错。

解决：

• 参数验证
• 错误重试机制
• 友好的错误提示

❌ 坑四：不要指望它直接替你赚钱

真相： 工具是能力，不是摇钱树。

它能帮你提高效率、降低成本，但不会自动给你打钱。

真正赚钱的，永远是会用工具的人。

09 未来会怎样？（温和展望，不夸张）

从目前的趋势看：

工具使用会越来越简单：

• 拖拽式创建工具
• 自动发现可用工具
• 工具之间自动协作

工具生态会越来越丰富：

• 第三方工具市场
• 预构建工具模板
• 工具组合推荐

安全机制会越来越完善：

• 自动权限管理
• 操作审计日志
• 风险预警系统

不管你接不接受，AI 智能体 + 工具已经是确定的方向。

早点了解，早点受益。

10 最后总结一下

工具使用模式的核心：

• 让智能体从”只会聊天”变成”能干活”
• 突破大模型的三大边界（实时信息、实际操作、复杂计算）
• 6 个核心要素（描述、执行逻辑、消息处理、集成框架、错误处理、状态管理）

实现方式：

• 自己实现（灵活但复杂）
• 用框架（简单但有限制）
• 推荐：Microsoft Agent Framework 或 Azure AI Agent Service

核心建议：

别纠结技术细节，先选一个场景，教会智能体用一个工具。

用起来了，再扩展。

你想让智能体学会用什么工具？

评论区聊聊，我挑几个有代表性的，专门写教程。

写在后面

关注我，后续持续更新：

• 🧪 最新 AI 工具实测（不吹不黑）
• 💡 普通人能用的 AI 技巧（接地气）
• 📊 行业观察和观点（有态度）

让你每次看懂热点，不跟风、不踩坑。

由于微信公众号更改规则，请点击上面”智子 AI 社”关注本号，再点击右上角”…”，选择”设为星标”，以免错过文章更新。