为何需要外部工具
一、大模型的天生缺陷
1.1 一个看似简单的问题
想象一下，你问 AI：“今天北京的天气怎么样？”
AI 会怎么回答？
如果它老实，会说：“我无法获取实时天气数据，请查询天气网站。”
如果它不老实，可能会根据训练数据（可能是几个月前的）胡编一个答案，比如：“北京今天晴，25℃。” —— 但今天可能是下雨天。
这就是大语言模型天生的缺陷：它只有“知识”，没有“感知”。
大语言模型本质是一个“超级记忆体”，它记住了海量的文本知识，但它无法主动获取任何实时信息，也无法执行任何操作。
1.2 人类是怎么解决这个问题的？
如果一个人被问到“今天北京的天气怎么样”，他会怎么做？
1、打开手机上的天气 App
2、查看北京今天的天气
3、把看到的结果告诉你
这个人“调用”了天气 App 这个“工具”。
AI 也是一样 —— 只要它能“调用”外部工具，它就不再是“瞎子”和“聋子”了。
1.3 工具调用的核心思想
工具调用（Function Calling）的本质是：让 AI 能够“请求”执行一个外部函数，而不是自己“猜测”答案。
这个“请求”的过程，就是工具调用。
常规的API调用只需发送用户问题，现在需要同时发送用户问题和工具定义，这样大模型才能根据用户问题生成合适的工具调用请求。
二、工具调用的“六步舞曲”
2.1 完整流程
假定我们定义了一个工具get_weather，用于获取指定城市的天气。
如果要通过DeepSeek使用这个工具查询北京的天气，完整的交互流程如下：
| 步骤 | 环节说明 | 具体内容 |
|---|---|---|
| 第 1 步 | 用户提问 | 用户输入：今天北京的天气怎么样？ |
| 第 2 步 | 第一次 HTTP 请求 |
将用户问题和get_weather工具定义发给
DeepSeek API |
| 第 3 步 | AI 返回调用计划 |
AI 返回工具调用指令：get_weather(city="北京") |
| 第 4 步 | 代码执行工具函数 |
你的代码执行 get_weather("北京")，拿到结果："晴，25℃" |
| 第 5 步 | 第二次 HTTP 请求 |
将工具执行结果（"晴，25℃"）发回给
DeepSeek API |
| 第 6 步 | AI 生成最终回答 | AI 根据工具结果生成自然语言回复：“今天北京天气晴朗，气温 25℃。” |
2.2 关键认知：AI 不执行任何代码！
这是最重要的一点：AI 本身不执行任何函数。
AI 只做两件事：
| AI 做的事 | 说明 |
|---|---|
| 决定调用哪个工具 | 根据用户问题从你提供的工具列表中选择合适的工具 |
| 生成调用参数 | 根据用户问题生成 JSON 格式的参数 |
执行工具的人是你（你的代码）。 AI 只是告诉你“我想用这个工具，参数是这个”，然后你据此执行相应的代码，并将执行结果告诉它。
记住一句话：AI 负责“想”，你负责“做”。