夜雨聆风Audience: 对技术感兴趣的普通用户 + Python 开发者
承接上文: 第六章《大模型“动脑子”的全过程揭秘》
上一章我们讲完了 Inference（推理）。大模型坐在那里，像个哲学家一样，把“明天去哪玩”变成了“公园吧”。
但是，哲学家只能动嘴，不能动手。
如果你想问：“帮我算算这笔账” 或者 “帮我订张机票”，光靠“接龙”是算不出结果的，也是订不了票的。
这时候，AI 必须从 “思想家” 变成 “实干家”。
这就是 Tool Execution（工具执行） 的舞台。
01 为什么 AI 自己算不对 123 * 456？
技术名词：Tool Use（工具使用）、Function Calling（函数调用）
大模型的短板
大模型是“文科生”。它擅长预测文字，不擅长精确计算。
你问：
123 * 456 = ?模型推理：根据训练数据，这个数字通常在 50000 左右。
模型输出：
56088（很可能是错的，因为它没真的去乘）。
工具的强项
计算器是“理科生”。它只会算数，但算得绝对准。
模型输出：
Action: Calculator(123 * 456)计算器执行：返回
56088。
通俗解释：
AI 是那个出主意的老板，工具是那个干活的实习生。老板负责想“我们要赚 100 万”，实习生负责用 Excel 算“每天得卖多少杯咖啡”。
02 工具执行的完整链路
技术名词：JSON Schema（参数规范）、Sandbox（沙盒）
从 AI 决定用工具，到拿到结果，中间有 5 步：
┌──────────┐ 1. Generate ┌──────────┐│ LLM │ ──────────────→ │ Tool Call ││ (思想) │ │ (JSON) │└──────────┘ └────┬─────┘│ 2. Parse & Validate▼┌──────────┐ 4. Result ┌──────────┐│ LLM │ ←────────────── │ Executor ││ (再思考) │ │ (干活) │└──────────┘ 5. Inject └──────────┘
1️⃣ 生成 Tool Call（生成指令）
模型不再输出自然语言，而是输出一段 JSON。
{"name": "calculator","parameters": {"expression": "123 * 456"}}
2️⃣ 解析与校验（安全检查）
后端代码检查这段 JSON：
这个工具
calculator存在吗？参数
expression里有恶意代码吗？（比如os.system('rm -rf /')）
3️⃣ 执行（Execution）
在隔离环境中运行代码。
4️⃣ 返回结果（Observation）
拿到计算结果：56088。
5️⃣ 注入上下文（Feedback）
把结果塞回给 AI：“嘿，算出来了，是 56088，你可以回答用户了。”
03 开发者时间：Python 实现工具执行器
这是 Agent（第三章） 的升级版。我们加入了 安全沙盒 和 异常处理。
1. 定义危险操作黑名单（Security）
import astimport operator as op# 禁止的安全操作（防止 AI 删库跑路）SAFE_OPERATORS = {ast.Add: op.add,ast.Sub: op.sub,ast.Mult: op.mul,ast.Div: op.truediv,ast.Pow: op.pow,ast.USub: op.neg,}class SafeEval:"""安全计算器：只允许四则运算"""def __init__(self):self.operators = SAFE_OPERATORSdef eval_expr(self, expr: str) -> float:"""安全解析并计算表达式"""try:# 使用 AST（抽象语法树）解析，避免直接使用 evalnode = ast.parse(expr, mode='eval')return self._eval_node(node.body)except Exception as e:return f"计算错误: {e}"def _eval_node(self, node):if isinstance(node, ast.Num):return node.nelif isinstance(node, ast.BinOp):left = self._eval_node(node.left)right = self._eval_node(node.right)op_func = self.operators[type(node.op)]return op_func(left, right)elif isinstance(node, ast.UnaryOp):operand = self._eval_node(node.operand)op_func = self.operators[type(node.op)]return op_func(operand)else:raise TypeError(f"不支持的操作: {node}")
2. 实现执行器（Executor）
class ToolExecutor:def __init__(self):self.tools = {"calculator": SafeEval().eval_expr}def execute(self, tool_call_json: dict) -> str:"""执行工具调用"""tool_name = tool_call_json.get("name")params = tool_call_json.get("parameters", {})if tool_name not in self.tools:return f"Error: Tool '{tool_name}' not found."print(f"🔧 [Executor] 正在执行工具: {tool_name}, 参数: {params}")try:# 执行工具result = self.tools[tool_name](**params)return str(result)except Exception as e:# 捕获执行时的异常（如除零错误）return f"Execution Error: {e}"
3. 串联 Agent 进行测试
# 假设这是 Agent 生成的 JSONfake_tool_call = {"name": "calculator","parameters": {"expr": "100 * 1.05 + 50"}}executor = ToolExecutor()result = executor.execute(fake_tool_call)print(f"✅ 执行结果: {result}")
04 工程上的“避坑指南”
工具执行是 AI 应用最容易崩的地方，也是最危险的。
1️⃣ 代码执行沙盒（Code Interpreter）
如果让 AI 跑 Python 代码，绝对不能在服务器主环境跑。
方案： 使用 Docker 容器 或 Firecracker 微虚拟机。
原则： 限制 CPU、内存、网络访问（禁止访问内网数据库）。
2️⃣ API 调用的幂等性（Idempotency）
AI 可能会重复调用同一个工具。
场景： AI 让你“转账 100 元”。
灾难： 因为网络卡顿，AI 重试了 3 次，结果转了 300 元。
解法： 给每个请求加唯一 ID（Idempotency Key）。
3️⃣ 超时控制（Timeout）
AI 调用的 API 可能挂了。
解法： 设置硬超时（Hard Timeout），超过 5 秒直接掐断，告诉 AI “工具坏了”。
05 总结
工具执行 = AI 的双手 + 刹车片。
没有工具，AI 只是个嘴炮王者；
没有安全控制，AI 就是个定时炸弹。
至此，我们已经集齐了 Router（路由）、Agent（智能体）、MCP（接口）、RAG（知识）、Inference（大脑）、Tools（双手）。
整个系统看起来很完美了，对吧？
错。
因为 AI 有时候还是会胡说八道，或者输出违规内容。
这就是我们下一章要讲的：最后一道防线——Output Guardrail（输出护栏）。
