基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

前言 首先我们开发所谓 Agent，其实就写一堆工具给大模型调用，所以要学习 Agent 开发就得知道大模型是怎么调用工具的。 大模型本质上是一个 文本生成模型 ，它是无法直接访问外部数据和操作外部系统的，如获取实时信息、读取文件等。但如今，主流的代码智能体（如 Claude Code）皆已实现对文件系统的直接操作，使其能够自主完成文件读写、项目构建等复杂任务。 它们是怎么做到的呢？ 为了解决大模型无法访问外部数据这个局限，OpenAI 提出了 Function Calling （工具调用）机制，后来 Anthropic、Google 等也推出了类似的功能，统称为 Tool Use 。 其核心思想是：大模型根据用户的输入判断如果要调用工具时，就让大模型在生成回答时，能够 输出一个结构化的请求 ，要求外部系统执行某个函数，然后将函数执行的结果返回给模型，大模型再基于结果生成最终回答。 本质上就是 Tools + LLM，也就是工具加大模型。 同理地所谓 AI Agent 开发可以简单理解为编写各种工具函数让大模型调用。当然 AI Agent 除了需要编写工具，还需要 规划机制 + 记忆系统 + 安全控制 + …… 。 下面我们详细讲解这个机制的实现原理和流程。 注意：本文是使用 Python 语言，所以想了解 Python 入门以及大模型的基础操作知识，可以回看我的上一篇文章：《 AI全栈实战：使用 Python+LangChain+Vue3 构建一个 LLM 聊天应用 》，Python 是一门非常容易上手的语言，建议大家在 AI 全栈时代掌握它。可以主要看看 LLM 和 OpenAI 接口快速入门 章节部分。 我是 Cobyte，欢迎添加 v: icobyte，学习 AI 全栈。…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。