AI Agent核心组成第三讲:工具

你有没有遇过这种事：问 AI「佛山明天多少度」，它答得斩钉截铁「28℃，晴」，结果你出门淋成落汤鸡。

它不是在骗你——它只是真的查不了。

一个再聪明的模型，本质也是个被关在对话框里的「文字接龙机」：它能写出一千字的产品方案，却真的查不了今天的天气，真的发不出一封邮件。

这就是 Agent 的第三块拼图——工具（Tools）。前两讲我们讲了规划（会「想」）和记忆（会「记」），这一讲，给它装上「手」，让它从「只能说」变成「能做事」。

一、为什么模型自己搞不定

大模型有两个先天短板。

第一，它够不到实时信息和私有信息。今天的天气、你公司的库存，训练数据里压根没有，它无从得知。

第二，说得出口，不等于做得到。它能「写」出一段计算过程，但算得准不准它自己负责不了；更别说「真的帮你扣掉一笔钱」这种动作——它生成一段文字，不等于世界真的变了。

工具补的就是这两个洞：信息靠工具查，动作靠工具做。

二、一个最小的例子

还是那句「佛山明天多少度」。

没接工具的 Agent：只能靠训练记忆瞎猜，甚至直接编一个看起来合理的数。

接了工具的 Agent：调用天气 API → 拿到真实数据 → 生成回答。数据是真的，因为它真的「查了」。

差别只有一个：有没有手。

三、关键机制：Function Calling

很多人以为「Agent 调用工具」是模型自己伸手去查——错。这一步，是理解 Agent 架构的分水岭。

真实分工是这样的：

你问「佛山明天多少度」。

模型发现系统里注册了一个 get_weather 工具（含名称、用途、参数说明），于是输出一段结构化意图：「我要调 get_weather，参数 city=佛山, date=明天」。

注意：这段意图被模型之外的宿主程序接到，真正去请求天气服务。

结果「佛山，明天，26℃，多云」被喂回模型，模型用真实数据回答：「26℃，多云，适合外出」。

记住一句话：模型只负责「决定调什么、传什么参数」，真正执行的，一定是模型之外的程序。

以后你看到「AI 自动帮你订了机票」的报道，都要想到背后这套分工：脑子发起，手脚执行。

四、工具调用五步循环

给你一套「工具调用五步循环」，以后看任何 Agent 产品、或自己动手搭，都能这么拆：

注册：提前把工具的「名称 + 用途 + 参数」告诉模型。这步最容易被轻视——描述写得好不好，直接决定模型用得对不对。

决策：用户请求来了，模型判断「要不要调、调哪个、传什么参数」。

执行：宿主程序接到意图，真正运行工具。

回喂：把结果连同上下文（比如数据时间）交回模型。

收口：模型结合结果生成最终回答；不够就回到第 2 步继续调——这就是下一讲「行动闭环」的雏形。

五、三个坑，三条误解

最后泼三盆冷水。

坑一：没工具硬编。 该用工具时没工具，模型只能编个看似合理的数——不少 AI 幻觉，根源就在这。

坑二：工具一多就乱。 注册 50 个工具却描述含糊，模型常选错、传错。工具不在多，在「描述清楚、边界分明」。

坑三：结果不校验。 工具也会返回错误、超时、过期数据。成熟做法是把结果连同「来源与时间」一起交回模型判断，别盲信。

以下三条误解就一一破除了：工具不是模型自己跑的；不是越多越强；也不是接了就全自动可靠——可靠的 Agent 还要参数校验、结果核对、失败重试这些「安全带」。

尾声

到这，「想（规划）、记（记忆）、做（工具）」三块拼图齐了。但它们还是散的——怎么串成一个自我循环的「活」系统？下一讲行动（Action）与感知/决策闭环见。

一句话记住本讲：脑子再好，没有电话和电脑，也只是个出不去办公室的秀才。工具，就是给秀才装上通讯录和电话。

参考：《深入浅出 AI 智能体》、《构建 Agentic AI 系统》