01工具调用，就是让它亲手把事办了

先说人话。过去我们用的聊天机器人，本事主要在「说」——你问一句它答一段，活儿停在对话框里。工具调用（tool use，也叫 function calling）换了个玩法：它不光回话，还会去「动手」——点开软件、查资料、填表、发邮件、调一个接口，把嘴上答应的事真做出来。 打个比方：你跟新来的助理说「把上周的流水做成表」。只会聊天的，回你一段说明；会工具调用的，真去开表格软件、敲公式、存文件、发回你手上。差别不在脑子，在手上。 判断一个东西是不是真智能体，往往就看它能不能越过「说」，落到「做」。工具调用，就是那座桥。

 

02这周多的那一点：有人做了把尺子

光说概念太空，这周有人把「智能体办公行不行」做成了一把尺子。 九月，犹他大学 NLP 团队在 Hugging Face 上放出 KNOWS Benchmark，专门考网页智能体在谷歌 Workspace 里干真活：写文档、建表格、做幻灯片，还得查资料、调工具、引用对得上源头【据 Hugging Face 数据集页与项目主页，链接见文末】。 整套一百一十个任务，二十二个模板各出五例；单任务平均指令两百零四词，评分约二十五步；成品分文档五类、表格九类、幻灯片八类【据 Hugging Face 数据集页，链接见文末】。 评法才关键：以往考智能体多半看「答得对不对」，KNOWS 直接打开谷歌接口，检查那份表算没算对、引用真不真。它量的不是嘴皮子，是手上活。

 

03别把「会用工具」想得太轻巧

先把话摁稳：工具调用听着四个字，真到办公桌前难的是一连串。先是「挑对工具」——同一件事用表格还是文档，选错就偏；再是「排好顺序」——先查后填、先算后排版，乱一步就错；最难的是「别编」——数据网址得跟源头对得上，这是 KNOWS 卡最紧的一关。 还有边界：KNOWS 自己不跑分，真打分靠它在 GitHub 开源的 Python 评估器；它考的是谷歌 Workspace 云端那套，跟你本地装的表格软件不是一回事。别一听「基准」就以为它替你把活干完了。

04普通人现在能怎么借上劲

头一件，交办办公活时，把「用哪个软件、分几步」说在前面：「用 Excel 建一张表，一列放月份、一列放金额、最后加合计行」，比一句「整理一下」更管用。 第二件，交出去的成品，自己先当质检员——数字对不对、公式在不在、引用真不真，几秒就能扫一遍。 第三件，挑工具时看它「会不会亮出过程」：能一步步展示它点了什么、改了什么的，比只给结果的更靠谱。敏感数据，始终攥在手里。