既然你已经理解了大语言模型LLM的底层运行机制接下来我们要思考下一个关键问题我们该如何让模型真正去执行各类实际任务大语言模型本身仅能生成文本。但如果为其配备工具 —— 赋予它网页搜索、数据库查询、调用应用程序接口API的能力模型的能力就会得到极大拓展。 在本节中你将弄懂工具调用的工作原理并亲手搭建第一个支持工具调用的应用程序。之后我们会拓宽视角从全局宏观层面梳理整体框架。并非所有人工智能系统都要做成完全自主运行的智能体。很多时候一套简单、运行结果可预判的工作流会是更优解。我们会辨析 AI 工作流与 AI 智能体二者的区别同样重要的是搞清楚两种方案分别适用于什么场景。学完本节后你会在脑海中建立一套清晰的 AI 系统架构认知框架做好从零开发专属智能体的准备。LLM 工具调用、AI 工作流与 AI 智能体完整梳理一、核心痛点原生 LLM 的能力边界纯大语言模型只具备文本生成、逻辑推理、知识记忆三大基础能力存在天然短板知识截止训练数据有时间上限无法获取实时信息新闻、实时价格、今日数据无外部操作能力不能查数据库、发接口、读写文件、控制软件、联网检索数值计算 / 精准查询薄弱复杂四则运算、SQL 统计、批量数据匹配容易出错无法落地真实业务动作下单、发消息、读取本地文档、调用第三方服务全都做不到。解决方案给 LLM 外挂工具Tool Use / Function Calling让模型从 “只会说话” 变成 “能动手办事”。二、工具调用Function Calling完整工作原理1. 核心组成工具定义层开发者预先向模型提供工具清单包含工具名称、功能描述、入参 JSON Schema、参数类型 / 必填项、返回值格式 示例工具search_web(关键词)、sql_query(数据库、sql语句)、get_stock(股票代码)LLM 决策层模型读取用户需求自主判断是否需要调用工具、选哪个工具、填什么参数执行器层代码侧解析模型输出的结构化工具调用指令本地 / 远端执行真实函数、API、数据库结果回填层把工具返回的真实数据封装成文本塞回上下文窗口让 LLM 结合工具结果给出最终回答。2. 标准四步执行流程用户提问 → 系统 Prompt 注入全部工具描述LLM 判断现有知识不足以回答 → 输出标准化工具调用 JSON而非自然语言后端代码捕获 JSON执行对应工具拿到原始数据将工具返回数据追加到对话上下文再次交给 LLM模型整合信息生成最终回复。3. 两种主流实现方案原生函数调用GPT、Qwen、GLM、DeepSeek 等主流模型内置模型原生支持输出规范 JSON 工具调用无需复杂提示词提示词模拟工具调用开源小模型无原生能力时依靠 Prompt 约束模型按固定格式输出调用指令兼容性强但稳定性弱。4. 工具调用落地价值补齐实时信息短板联网搜索、实时行情、当日资讯完成确定性操作数据库增删改查、文件读写、第三方 API支付、地图、推送降低推理误差复杂数学、单位换算、批量统计交给工具计算LLM 只做整合。三、AI 工作流 vs AI 智能体Agent核心区分1. AI 工作流Workflow定义预定义、固定分支、流程可控的 AI 任务链路每一步执行逻辑、调用工具、判断规则由开发者提前写死LLM 仅负责单环节文本处理无自主决策权限。 典型架构编排引擎LangChain/LangGraph/Flowise 分步节点 固定跳转条件。特征流程路径可预判输入固定则输出逻辑固定自主决策极少分支、循环、终止条件人工硬编码每一步任务单一责任边界清晰调试、运维、成本管控简单可批量并发。适用场景标准化业务处理文档摘要→关键词提取→数据库入库固定数据报表读取 Excel→计算指标→生成周报客服固定工单接收问题→检索知识库→固定模板回复低复杂度、高并发、强合规场景金融、政务审核。2. AI 智能体Agent定义赋予 LLM自主规划、循环思考、动态选工具、自主终止任务的自治系统没有固定流程模型根据任务动态决定下一步动作。 核心循环思考 (Thought) → 工具调用 (Action) → 观察 (Observation) → 循环直至任务完成ReAct 框架是标准实现。特征流程不可完全预判复杂任务会自主多轮调用工具拥有自主规划能力拆解复杂目标、选择工具、纠错重试存在循环、多轮交互上下文消耗更高、延迟更长灵活性极强但结果存在不确定性调试难度更高。适用场景开放式复杂任务市场调研搜新闻→查财报→对比数据→生成分析报告未知路径问题代码排错、多工具组合解决综合需求个性化自主助手私人数据分析机器人、自主调研助手。对比表格表格维度AI 工作流AI 智能体 Agent流程控制权开发者预定义固定流程LLM 自主动态决策工具调用调用时机、次数预先限定自主判断是否调用、调用多少次可预测性高输入一致则链路一致低复杂任务每轮执行路径可能不同资源消耗Token 消耗稳定、速度快多轮循环Token 与延迟更高运维难度简单节点可单独监控复杂需做循环上限、超时、失败兜底最优场景标准化、高频、合规业务开放式、多步骤、无固定解法的复杂任务四、完整 AI 系统分层架构学完本节建立的全局认知从底层到上层分层清晰可直接用于从零开发智能体底层基座层大语言模型推理 API / 本地部署 LLM负责理解、生成、决策工具能力层函数封装、API 连接器、数据库驱动、搜索客户端、文件操作工具调度核心层简单业务工作流编排引擎固定节点流转复杂任务Agent 调度器ReAct/Plan-Solve 循环、记忆管理记忆管理层短期对话上下文、长期向量知识库、任务历史存储业务应用层前端交互、业务校验、权限控制、结果导出、日志监控兜底安全层工具调用权限拦截、输入输出脱敏、循环次数限制、错误重试机制。五、落地学习路线从零搭建专属智能体基础掌握 Function Calling 调用规范完成单工具调用 Demo联网搜索 / 计算器进阶搭建多工具串联基础链路区分固定工作流实现核心基于 ReAct 实现基础 Agent完成自主多轮工具调用工程化接入向量记忆、增加循环限制、异常捕获、日志场景选型根据业务标准化程度选择工作流 / Agent 架构完成最终产品。六、关键总结工具调用是 LLM 从 “文本生成” 走向 “实操任务” 的核心桥梁解决知识滞后、无外部操作能力两大核心缺陷AI 工作流追求稳定、可控、低成本适合标准化流水线业务AI 智能体追求灵活、自主、复杂问题求解适合无固定流程的开放式任务工具层 调度层工作流 / Agent 记忆层构成通用 AI 系统骨架掌握这套架构即可独立开发各类行业 AI 应用、专属智能体。