什麼是工具？

AI Agent 的一個重要方面是它們執行行動的能力。正如我們所見，這是透過使用工具來實現的。

在本節中，我們將學習什麼是工具、如何有效設計它們以及如何透過系統訊息將它們整合到您的 Agent 中。

透過為您的 Agent 提供正確的工具——並清楚地描述這些工具的工作原理——您可以大大提高您的 AI 所能完成的任務。讓我們深入探討吧！

什麼是 AI 工具？

工具是賦予 LLM 的一個函式。此函式應實現一個明確的目標。

以下是 AI Agent 中一些常用的工具：

這些只是示例，因為您實際上可以為任何用例建立工具！

一個好的工具應該能夠補充 LLM 的能力。

例如，如果您需要執行算術運算，為您的 LLM 提供一個計算器工具將比依賴模型本身的本機能力提供更好的結果。

此外，LLM 根據其訓練資料預測提示的完成，這意味著它們的內部知識只包括訓練之前發生的事件。因此，如果您的 Agent 需要最新資料，您必須透過某種工具提供它。

例如，如果您直接詢問 LLM（沒有搜尋工具）今天的天氣，LLM 可能會虛構隨機的天氣。

• 一個工具應該包含：

  • 函式功能的文字描述。
  • 一個可呼叫物件（用於執行操作）。
  • 帶有型別標註的引數。
  • （可選）帶有型別標註的輸出。

工具如何工作？

LLM，正如我們所見，只能接收文字輸入並生成文字輸出。它們無法自行呼叫工具。當我們談論向 Agent 提供工具時，我們指的是向 LLM 教授這些工具的存在，並指示它在需要時生成基於文字的呼叫。

例如，如果我們提供一個工具來從網際網路檢查某個位置的天氣，然後詢問 LLM 巴黎的天氣，LLM 將識別出這是使用“天氣”工具的機會。LLM 不會自己檢索天氣資料，而是生成表示工具呼叫的文字，例如 call weather_tool(‘Paris’)。

然後，Agent 讀取此響應，識別出需要工具呼叫，代表 LLM 執行該工具，並檢索實際的天氣資料。

工具呼叫步驟通常不向使用者顯示：Agent 在將更新的對話再次傳遞給 LLM 之前，將其作為新訊息附加。然後，LLM 處理此附加上下文併為使用者生成自然聽起來的響應。從使用者的角度來看，似乎 LLM 直接與工具互動，但實際上，是 Agent 在後臺處理了整個執行過程。

我們將在未來的課程中詳細討論這個過程。

我們如何向 LLM 提供工具？

完整的答案可能看起來令人不知所措，但我們基本上使用系統提示來向模型提供可用工具的文字描述。

為了使其正常工作，我們必須非常精確地說明：

1. 工具的作用
2. 它期望的精確輸入

這就是為什麼工具描述通常使用表達性但精確的結構（例如計算機語言或 JSON）提供的原因。這並不是必需的，任何精確且連貫的格式都可以。

如果這看起來過於理論化，讓我們透過一個具體的例子來理解它。

我們將實現一個簡化的計算器工具，它只將兩個整數相乘。這可能是我們的 Python 實現：

def calculator(a: int, b: int) -> int:
    """Multiply two integers."""
    return a * b

因此，我們的工具名為`calculator`，它將兩個整數相乘，並且需要以下輸入：

• `a`（int）：一個整數。
• `b`（int）：一個整數。

該工具的輸出是另一個整數，我們可以這樣描述：

• （int）：`a` 和 `b` 的乘積。

所有這些細節都很重要。讓我們將它們組合成一個文字字串，用於描述我們的工具，以便 LLM 理解。

Tool Name: calculator, Description: Multiply two integers., Arguments: a: int, b: int, Outputs: int

提醒：這個文字描述是我們希望 LLM 瞭解工具的內容。

當我們把前面的字串作為輸入的一部分傳遞給 LLM 時，模型會把它識別為一個工具，並且知道需要傳遞什麼作為輸入以及從輸出中期望什麼。

如果我們想要提供額外的工具，我們必須保持一致並始終使用相同的格式。這個過程可能很脆弱，我們可能會不小心忽略一些細節。

有沒有更好的方法？

工具部分自動格式化

我們的工具是用 Python 編寫的，其實現已經提供了我們所需的一切：

• 描述其功能的名稱：`calculator`
• 函式文件字串提供的更長描述：`Multiply two integers.`
• 輸入及其型別：函式明確期望兩個 `int` 型別。
• 輸出的型別。

人們使用程式語言是有原因的：它們表達力強、簡潔、精確。

我們可以提供 Python 原始碼作為 LLM 的工具規範，但工具的實現方式並不重要。重要的是它的名稱、功能、期望的輸入和提供的輸出。

我們將利用 Python 的自省特性，利用原始碼為我們自動構建工具描述。我們所需要做的就是工具實現使用型別提示、文件字串和合理的函式名稱。我們將編寫一些程式碼來從原始碼中提取相關部分。

完成之後，我們只需要使用 Python 裝飾器來指示 `calculator` 函式是一個工具：

@tool
def calculator(a: int, b: int) -> int:
    """Multiply two integers."""
    return a * b

print(calculator.to_string())

請注意函式定義前的 `@tool` 裝飾器。

透過我們接下來將看到的實現，我們將能夠透過裝飾器提供的 `to_string()` 函式從原始碼中自動檢索到以下文字：

Tool Name: calculator, Description: Multiply two integers., Arguments: a: int, b: int, Outputs: int

正如你所看到的，這和我們之前手動寫的一模一樣！

通用工具實現

我們建立了一個通用的 `Tool` 類，以便在需要使用工具時進行復用。

免責宣告：此示例實現是虛構的，但與大多數庫中的真實實現非常相似。

from typing import Callable


class Tool:
    """
    A class representing a reusable piece of code (Tool).

    Attributes:
        name (str): Name of the tool.
        description (str): A textual description of what the tool does.
        func (callable): The function this tool wraps.
        arguments (list): A list of arguments.
        outputs (str or list): The return type(s) of the wrapped function.
    """
    def __init__(self,
                 name: str,
                 description: str,
                 func: Callable,
                 arguments: list,
                 outputs: str):
        self.name = name
        self.description = description
        self.func = func
        self.arguments = arguments
        self.outputs = outputs

    def to_string(self) -> str:
        """
        Return a string representation of the tool,
        including its name, description, arguments, and outputs.
        """
        args_str = ", ".join([
            f"{arg_name}: {arg_type}" for arg_name, arg_type in self.arguments
        ])

        return (
            f"Tool Name: {self.name},"
            f" Description: {self.description},"
            f" Arguments: {args_str},"
            f" Outputs: {self.outputs}"
        )

    def __call__(self, *args, **kwargs):
        """
        Invoke the underlying function (callable) with provided arguments.
        """
        return self.func(*args, **kwargs)

它可能看起來很複雜，但如果我們慢慢地閱讀它，我們就能明白它的作用。我們定義了一個`Tool`類，其中包括：

• `name` (str)：工具的名稱。
• `description` (str)：工具功能的簡要描述。
• `function` (callable)：工具執行的函式。
• `arguments` (list)：預期的輸入引數。
• `outputs` (str 或 list)：工具的預期輸出。
• `__call__()`：當呼叫工具例項時執行函式。
• `to_string()`：將工具的屬性轉換為文字表示。

我們可以使用如下程式碼建立此類的工具：

calculator_tool = Tool(
    "calculator",                   # name
    "Multiply two integers.",       # description
    calculator,                     # function to call
    [("a", "int"), ("b", "int")],   # inputs (names and types)
    "int",                          # output
)

但我們也可以使用 Python 的 `inspect` 模組為我們檢索所有資訊！這就是 `@tool` 裝飾器所做的。

如果您感興趣，可以展開以下部分檢視裝飾器實現。

import inspect

def tool(func):
    """
    A decorator that creates a Tool instance from the given function.
    """
    # Get the function signature
    signature = inspect.signature(func)

    # Extract (param_name, param_annotation) pairs for inputs
    arguments = []
    for param in signature.parameters.values():
        annotation_name = (
            param.annotation.__name__
            if hasattr(param.annotation, '__name__')
            else str(param.annotation)
        )
        arguments.append((param.name, annotation_name))

    # Determine the return annotation
    return_annotation = signature.return_annotation
    if return_annotation is inspect._empty:
        outputs = "No return annotation"
    else:
        outputs = (
            return_annotation.__name__
            if hasattr(return_annotation, '__name__')
            else str(return_annotation)
        )

    # Use the function's docstring as the description (default if None)
    description = func.__doc__ or "No description provided."

    # The function name becomes the Tool name
    name = func.__name__

    # Return a new Tool instance
    return Tool(
        name=name,
        description=description,
        func=func,
        arguments=arguments,
        outputs=outputs
    )

重申一下，有了這個裝飾器，我們可以這樣實現我們的工具：

@tool
def calculator(a: int, b: int) -> int:
    """Multiply two integers."""
    return a * b

print(calculator.to_string())

我們還可以使用 `Tool` 的 `to_string` 方法自動檢索適合作為 LLM 工具描述的文字：

Tool Name: calculator, Description: Multiply two integers., Arguments: a: int, b: int, Outputs: int

該描述被注入到系統提示中。以我們本節開頭討論的示例為例，替換 `tools_description` 後它將是這樣的：

在行動部分，我們將詳細瞭解 Agent 如何呼叫我們剛剛建立的這個工具。

模型上下文協議 (MCP)：統一的工具介面

模型上下文協議 (MCP) 是一個開放協議，它規範了應用程式如何向 LLM 提供工具。MCP 提供：

• 不斷增長的預構建整合列表，您的 LLM 可以直接接入
• 在 LLM 提供商和供應商之間切換的靈活性
• 在您的基礎設施內保護資料的最佳實踐

這意味著任何實現 MCP 的框架都可以利用協議中定義的工具，從而無需為每個框架重新實現相同的工具介面。

如果您想深入瞭解 MCP，可以檢視我們的免費 MCP 課程。

工具在增強 AI Agent 能力方面發揮著至關重要的作用。

總而言之，我們學習了：

• 什麼是工具：賦予 LLM 額外能力的函式，例如執行計算或訪問外部資料。

• 如何定義工具：透過提供清晰的文字描述、輸入、輸出和可呼叫函式。

• 為什麼工具必不可少：它們使 Agent 能夠克服靜態模型訓練的侷限性，處理即時任務，並執行專業操作。

現在，我們可以繼續學習Agent 工作流，在那裡您將看到 Agent 如何觀察、思考和行動。這將我們迄今為止所涵蓋的一切結合在一起，併為建立您自己的功能齊全的 AI Agent 奠定了基礎。

但首先，是時候進行另一個簡短的測驗了！