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。

大模型的边界能力 我们先看看下面一段代码，AI大模型执行的结果是什么呢？

通义千问大模型

model = get_lc_model_client() output_parser = JsonOutputParser() resp = model.invoke( “今天是几月几号？” ) print(resp) AI居然不知道，是不是大跌眼镜呢？ 我们尝试换一个模型（DeepSeek）试试: model = get_ali_model_client() 果然，虽然答出了一个日期，但并不是真实今天的日期。之前我们在 为啥需要RAG 讲过大模型的 时效性 ：训练是有成本的，不可能随时更新训练。所以可能有些最近的知识可能其并不知道。 这就是大模型的 能力边界 之一，解决方案除了RAG技术之外便是 Tool了。 Tool Tool（工具） ：这是 LangChain 中的一个 类 或 对象 。它封装了一个具体的功能（如 Python 函数），并包含了该功能的名称、描述和参数模式（Schema）。开发者通过 @tool 装饰器或 BaseTool 类来创建工具，告诉模型“我这里有什么能力”。其核心流程如下： 定义工具 ：开发者预先将函数（如 get_date()）及其描述、参数格式告知LLM。 模型规划 ：当用户提问（如“今天是几月几号？”），LLM并不直接回答，而是分析意图， 选择并规划 需要调用的工具，并严格按照格式生成一个结构化的调用请求。 外部执行 ：你的程序 解析 这个结构化请求， 安全地 在本地或远端执行真正的函数，获得结果 整合回复 ：将执行结果返回给LLM，由LLM组织成自然语言回复给用户（如“今天是3月12日。”）。…

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。