AI Agent 與 LLM 交互過程中的 Tool 功能：從原理到實戰

讓 AI 不只會「說」，還能真正「做事」——透過 Tool 機制，LLM 從一個會聊天的脑袋，變成能操控世界的智能代理。

先說結論

讀完這篇你會理解：

• Tool 是什麼：讓 LLM 能夠執行實際操作的接口
• 為什麼重要：沒有 Tool，AI 只能輸出文字；有 Tool，AI 才能真正「動手」
• 怎麼用：從定義到呼叫的完整流程，搭配可運行的 Python 程式碼範例

從類比開始

想像你有一個超級聰明的實習生：

• 他知道幾乎所有事情（知識廣泛）
• 他能理解你的指令（自然語言理解）
• 但他有個致命缺點：他只能說話，不能動手

你跟他說「幫我查一下明天北京的天氣」，他會回答你一堆關於天氣的描述，但不會真的去查。

這就是純 LLM 的限制。

現在，給這位實習生一個工具箱：

• 🛠️ 天氣查詢工具
• 🛠️ 計算機
• 🛠️ 網頁搜尋工具
• 🛠️ 發送郵件工具

有了工具箱後，他就能：

1. 理解你的意圖 → 需要天氣資訊
2. 選擇合適的工具 → 天氣查詢工具
3. 執行工具 → 真的去查
4. 拿回結果 → 收到天氣資料
5. 回覆你 → 「明天北京天氣晴，25度」

這就是 AI Agent 的核心運作模式。

核心概念

1. Tool（工具）是什麼？

白話定義：Tool 是一個有名字、有說明、會做事的函數。

當你告訴 LLM：「你有這些工具可以用」，LLM 就能在適當時機主動呼叫這些工具。

標準結構（以 OpenAI Function Calling 為例）：

{
  "type": "function",
  "function": {
    "name": "get_weather",
    "description": "查詢指定城市的當前天氣",
    "parameters": {
      "type": "object",
      "properties": {
        "city": {
          "type": "string",
          "description": "城市名稱，例如：北京、上海、台北"
        }
      },
      "required": ["city"]
    }
  }
}

2. 為什麼 Tool 重要？

3. Tool 的運作流程

實戰範例

範例一：基礎天氣查詢（OpenAI 原生）

import openai

# 定義工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查詢指定城市的當前天氣",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名稱"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

# 建立對話
messages = [
    {"role": "user", "content": "明天北京天氣怎麼樣?"}
]

# 第一次呼叫
response = openai.chat.completions.create(
    model="gpt-4",
    messages=messages,
    tools=tools,
    tool_choice="auto"
)

# 查看 LLM 是否要呼叫工具
assistant_message = response.choices[0].message

if assistant_message.tool_calls:
    for tool_call in assistant_message.tool_calls:
        print(f"LLM 要呼叫的工具: {tool_call.function.name}")
        print(f"參數: {tool_call.function.arguments}")
        
        # 模擬執行工具
        if tool_call.function.name == "get_weather":
            # 實際應用中這裡會調用真實的天氣 API
            tool_result = "晴天，25°C，適合出遊"
            
            # 把結果加回對話
            messages.append({
                "role": "assistant",
                "tool_calls": assistant_message.tool_calls
            })
            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": tool_result
            })
            
            # 第二次呼叫，獲取最終回應
            final_response = openai.chat.completions.create(
                model="gpt-4",
                messages=messages
            )
            print(final_response.choices[0].message.content)

範例二：用 LangChain 快速建立 Agent

from langchain.agents import create_agent

# 定義工具函數
def get_weather(city: str) -> str:
    """Get weather for a given city."""
    # 實際應用中調用天氣 API
    return f"北京的天氣是晴天，25°C"

def calculate(expression: str) -> str:
    """Calculate a math expression."""
    try:
        result = eval(expression)
        return str(result)
    except:
        return "計算錯誤"

# 建立 Agent（不到 10 行！）
agent = create_agent(
    model="openai:gpt-4",
    tools=[get_weather, calculate],
    system_prompt="你是個樂於助人的助手，可以查天氣和計算數學。"
)

# 測試多步驟任務
result = agent.invoke({
    "messages": [{
        "role": "user", 
        "content": "請幫我查北京天氣，然後把溫度乘以2是多少?"
    }]
})

print(result["messages"][-1].content)

範例三：多工具協作（Agent 進化版）

from langchain.agents import create_agent

# 更複雜的工具
def search_flights(origin: str, destination: str, date: str) -> str:
    """搜尋航班資訊"""
    return f"{origin} 到 {destination} 的航班：長榮 BR802，10:00起飛，13:30抵達"

def book_ticket(flight_number: str, passenger_name: str) -> str:
    """訂機票"""
    return f"已成功訂購 {flight_number}，旅客：{passenger_name}"

def send_email(to: str, subject: str, body: str) -> str:
    """發送郵件"""
    return f"郵件已發送至 {to}"

# 建立旅遊助理 Agent
travel_agent = create_agent(
    model="openai:gpt-4",
    tools=[search_flights, book_ticket, send_email],
    system_prompt="你是旅遊助理，幫用戶搜尋、預訂機票，並發送確認郵件。"
)

# 任務：幫用戶訂機票
task = """幫我查詢12月25日台北到東京的航班，
找到後幫我預訂，旅客姓名是王小明，
最後發送確認郵件到 sam@example.com"""

result = travel_agent.invoke({"messages": [{"role": "user", "content": task}]})
print(result["messages"][-1].content)

常見誤解

誤解一：Tool 是 AI 自己執行的

錯！ Tool 是由你的程式碼執行，不是 AI 本身。

AI 的角色是：

1. 判斷要不要用工具
2. 選擇用哪個工具
3. 生成正確的參數

實際執行是你伺服器的工作。

誤解二：Tool 越多越好

不一定。 太多工具會讓 LLM 困惑，不知道該用哪個。

最佳實踐：

• 工具數量控制在 5-10 個以內
• 工具名稱和描述要清晰明確
• 相關工具可以分組

誤解三：Tool 一定會被正確呼叫

可能失敗。 LLM 可能：

• 選錯工具
• 填錯參數
• 該用工具時不用

務必做好錯誤處理和驗證機制。

延伸思考

如果這篇文章點燃了你的興趣，以下方向值得繼續探索：

1. Model Context Protocol (MCP)
   為什麼各家 AI 的 Tool 定義方式不統一套件？MCP 正試圖建立標準

2. ReAct (Reasoning + Acting)
   讓 AI 在執行動作前先「想一想」，大幅提升複雜任務的成功率

3. LangGraph
   當你需要更複雜的 Agent 流程控制、迴圈、多 Agent 協作時的進階框架

4. Agent 的安全邊界
   Tool 讓 AI 能「做事」，但能做什麼事、誰來把關？

5. Human-in-the-Loop
   重要操作需要人類確認，設計良好的審核機制

參考來源

• OpenAI Function Calling 文件
• LangChain Agents 教學
• LangChain 官方文件