AI Case 8 · 让AI调用搜索引擎

21天AI案例实践 · 第8期 | 关键词：Function Calling · Tool定义 · Agent搜索 · ReAct范式

大模型虽然知识渊博，但它的训练数据有截止时间。碰到"今天发生了什么"、"最新股价多少"这类问题，它只能摊手说"我的知识截止到XXXX年"。

今天我们就来解决这个问题——让AI学会上网搜索。

一、核心思路：把搜索引擎变成AI的"工具"

回想一下你自己遇到不知道的事情：打开搜索引擎 → 输入关键词 → 看结果 → 总结答案。

Function Calling 就是让AI也走这套流程。

技术架构

整个系统分为四层：

二、Function Calling 到底是怎么跑的？

这里有一个很多人会搞混的点：不是AI"主动"去调用搜索，而是LLM输出一个特殊的结构化响应（tool_call），由外部的 Agent 框架来执行。

整个流程遵循 ReAct 范式（Reasoning + Acting）：

Thought（思考）→ Action（行动）→ Observation（观察）→ 循环

第1步：LLM 分析问题

用户问："今天有什么AI大新闻？" LLM想：这个问题需要最新信息，我自己的知识不够 → 生成 tool_call: web_search("AI news today")

第2步：Agent 执行工具

Agent框架拿到 tool_call → 调用 Google Search API → 拿到10条搜索结果

第3步：结果返回 LLM

搜索结果作为上下文注入 → LLM基于搜索结果重新思考 → 生成最终回答

关键洞察：如果一次搜索不够，Agent 会自动发起第二轮、第三轮……直到认为信息够了为止。

三、上代码！10分钟跑起来

下面是一个完整可运行的最小示例。只有 65 行代码，但包含了搜索 Agent 的全部核心逻辑。

环境准备

pip install langchain langchain-openai duckduckgo-search

完整代码

"""
AI搜索Agent - 最小可运行示例
使用 DuckDuckGo 搜索（免费，无需API Key）+ LangChain Agent
"""
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.tools import DuckDuckGoSearchRun

# ── 1. 配置LLM ──
llm = ChatOpenAI(
    model="gpt-4o-mini",          # 性价比之选，也可以用 qwen-plus
    temperature=0.3,
    api_key="your-api-key",       # 替换为你的 OpenAI / 通义千问 API Key
    base_url="https://api.openai.com/v1"  # 或通义千问: https://dashscope.aliyuncs.com/compatible-mode/v1
)

# ── 2. 定义工具：DuckDuckGo 搜索 ──
search = DuckDuckGoSearchRun(
    name="web_search",
    description="搜索互联网获取最新信息。输入搜索关键词，返回相关网页摘要。"
)

tools = [search]

# ── 3. 定义 System Prompt ──
prompt = ChatPromptTemplate.from_messages([
    ("system", """你是一个专业的AI研究助手，具备联网搜索能力。
    
工作流程：
1. 遇到需要最新信息的问题，先调用 web_search 工具搜索
2. 获取搜索结果后，基于结果进行总结分析
3. 如果一次搜索信息不够，可以发起多次搜索
4. 回答时务必注明信息来源

注意：
- 搜索时使用简洁的关键词，不要输入完整句子
- 中文问题优先搜索中文关键词
- 如果搜索无结果，诚实告知用户"""),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# ── 4. 构建 Agent ──
agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,           # 打印思考过程，方便调试
    max_iterations=5,       # 最多搜索5轮
    handle_parsing_errors=True
)

# ── 5. 测试 ──
if __name__ == "__main__":
    questions = [
        "2026年6月AI领域有什么重要新闻？",
        "OpenAI最新的GPT模型有什么新功能？",
        "中国AI大模型市场的最新格局是怎样的？",
    ]
    
    for q in questions:
        print(f"\n{'='*50}")
        print(f"❓ 提问: {q}")
        print(f"{'='*50}")
        result = executor.invoke({"input": q})
        print(f"\n✅ 回答:\n{result['output']}")

运行效果

开启 verbose=True 后，你会看到 Agent 的完整思考过程：

> Entering new AgentExecutor chain...

Invoking: `web_search` with `2026年6月 AI 重要新闻`

[搜索结果] Title: 2026年6月AI行业十大事件 ...
            Summary: 6月以来，AI行业发生多起重磅事件：...

基于搜索结果，2026年6月AI领域主要有以下几个重要事件：
1. ...
2. ...

> Finished chain.

四、关键知识点

4.1 Tool 定义规范

LangChain 中定义一个 Tool 有三要素：

@tool
def my_search(query: str) -> str:
    """搜索互联网获取最新信息"""
    # 实现搜索逻辑
    return results

描述写得好不好，直接决定 Agent 会不会用这个工具。 如果描述太模糊，LLM 可能完全忽略它。

4.2 ReAct 范式

ReAct = Reasoning + Acting，是当前 Agent 领域最主流的范式：

Question: 今天深圳天气怎么样？

Thought: 我需要查询深圳今天的天气
Action: web_search
Action Input: "深圳 2026年6月10日 天气"
Observation: 深圳今日晴，25-32℃，湿度65%...

Thought: 我已经获得了天气信息，可以给出答案了
Final Answer: 深圳今天天气晴朗，温度25-32℃，适合出行。

4.3 常见搜索引擎方案对比

五、生产环境增强建议

上面的代码可以直接跑通，但要用于生产，建议补充以下几点：

1. 超时控制：搜索API响应可能很慢，加 timeout 参数
2. 结果缓存：相同搜索词短时间内不重复请求（省配额）
3. 敏感词过滤：用户输入可能包含敏感内容，需要后端过滤
4. 搜索结果清洗：去掉SEO垃圾、广告页面，保留高质量内容
5. 引用溯源：每条回答附上原始URL，让用户可以核实

六、本期小结

第8期的核心心法：AI 的能力 = LLM的推理能力 × 可调用的工具数量。工具越多，AI能做的事情就越多。

🚀 下期预告：SQL智能查询助手 — 让AI直接用自然语言查数据库，零SQL基础也能做数据分析。

本文是「21天AI案例实践」系列第8期，每期一个可运行的AI实战项目。关注本号，不错过更新。