告别LLM能力边界！30分钟掌握AI Tools调用核心逻辑
作为开发者，你是否曾困惑：
为什么大模型能查股票价格、查天气？
一个只会“词语接龙”的概率模型，怎么突破虚拟限制调用外部工具？
明明训练数据里没有实时数据，却能返回精准的股票收盘价？
这篇文章，我会用可直接运行的Node.js代码，拆解LLM工具调用的底层逻辑，从0到1实现股票价格查询的工具调用，让你彻底搞懂：
- 工具调用不是“黑魔法”，而是精心设计的交互流程
- 如何用JSON Schema给大模型“植入工具认知”
- 传统代码如何和大模型协作完成任务
一、核心认知：LLM本质是“缸中大脑”
先打破一个误区：大模型没有自我意识。
它本质上只是一个“Next Token Prediction”（下一个词预测）的概率模型，像被困在服务器里的“缸中大脑”——看不见屏幕、摸不到键盘，只能处理文本。
工具调用的核心，是把复杂的软件函数（比如查股票价格），降维成大模型能理解的自然语言说明书，再通过传统代码执行工具逻辑，最后把结果返回给大模型生成最终回答。
二、实战场景：实现股票收盘价查询工具调用
我们以“查询青岛啤酒收盘价”为例，完整实现一次LLM工具调用流程，技术栈：
- Node.js + dotenv（环境变量管理）
- OpenAI SDK（兼容DeepSeek API）
- 自定义工具函数 + 大模型交互逻辑
步骤1：环境准备与依赖安装
首先初始化项目，安装所需依赖：
# 初始化package.json
npm init -y
# 安装依赖
npm install openai dotenv
步骤2：完整可运行代码
创建index.js文件，复制以下代码（记得配置.env文件）：
import OpenAI from 'openai';
import dotenv from 'dotenv';
dotenv.config();
// 初始化DeepSeek客户端（兼容OpenAI SDK）
const client = new OpenAI({
apiKey: process.env.DEEPSEEK_API_KEY,
baseURL: process.env.DEEPSEEK_BASE_URL
});
// 1. 定义工具（给大模型的"使用说明书"）
const tools = [
{
"type": "function",
"function": {
"name": "get_closing_price",
"description":"获取指定股票的收盘价", // 描述必须清晰，影响大模型决策
"parameters": {
"type": "object",
"properties": {
"name": {
"type": "string",
"description": "股票名称，例如：青岛啤酒、贵州茅台"
}
},
"required": ["name"] // 必传参数，约束大模型调用格式
}
}
},
{
type: 'function',
function: {
name: 'get_weather',
description: '获取指定城市的天气',
parameters: {
type: 'object',
properties: {
city: {
type: 'string',
description: '城市名称，例如：上海、北京'
}
},
required: ['city']
}
}
}
];
// 2. 传统软件逻辑：实现工具函数（真实场景可替换为API调用）
function get_closing_price(name) {
if (name === '青岛啤酒') {
return '67.92';
} else if (name === '贵州茅台') {
return '1488.21';
} else {
return '未找到该股票';
}
}
// 3. 封装大模型调用函数
async function sendMessage(messages) {
const res = await client.chat.completions.create({
model: 'deepseek-v4-pro', // 替换为你使用的模型
messages,
tools, // 传入工具定义
tool_choice: 'auto' // 让大模型自动决定是否调用工具
});
return res;
}
// 4. 核心交互逻辑
async function main() {
// 初始化对话上下文
let messages = [
{ role: 'user', content: '青岛啤酒的收盘价是多少？' }
];
// 第一次调用大模型：判断是否需要调用工具
const response = await sendMessage(messages);
const message = response.choices[0].message;
console.log('模型返回message 对象', JSON.stringify(message));
// 将大模型的响应加入上下文
messages.push({
role: message.role,
content: message.content,
tool_calls: message.tool_calls
});
// 关键判断：如果大模型返回了工具调用指令
if (response.choices[0].message.tool_calls) {
const toolCall = response.choices[0].message.tool_calls[0];
// 处理股票价格查询工具
if (toolCall.function.name === 'get_closing_price') {
// 解析大模型传递的参数
const args = JSON.parse(toolCall.function.arguments);
// 执行传统工具函数，获取结果
const price = get_closing_price(args.name);
console.log('股票收盘价', price);
// 将工具执行结果加入上下文（关键：返回给大模型）
messages.push({
role: 'tool', // 标记为工具返回结果
content: price,
tool_call_id: toolCall.id // 通过ID关联工具调用
});
console.log('更新后完整对话上下文:', messages);
// 第二次调用大模型：基于工具结果生成最终回答
const finalRes = await sendMessage(messages);
console.log('最终模型返回:', finalRes.choices[0].message.content);
} else if (toolCall.function.name === 'get_weather') {
// 扩展：天气查询工具逻辑（可自行实现）
}
}
}
// 执行主函数
main();
步骤3：配置环境变量
创建.env文件，填入你的DeepSeek API信息：
DEEPSEEK_API_KEY=你的DeepSeek API密钥
DEEPSEEK_BASE_URL=DeepSeek API的baseURL（例如：https://api.deepseek.com/v1）
步骤4：运行代码
node index.js
运行后你会看到：
- 大模型先返回工具调用指令（而非直接回答）
- 代码执行
get_closing_price函数获取价格 - 工具结果返回给大模型
- 大模型生成最终的自然语言回答
三、关键拆解：工具调用的3个核心阶段
1. 认知植入：把工具“翻译”成大模型能懂的语言
代码里的tools数组，就是给大模型的“工具使用说明书”，核心是JSON Schema：
name：工具函数名（唯一标识）description：工具用途（大模型靠这个判断是否调用）parameters：参数约束（类型、描述、必传项）
⚠️ 踩坑提醒：
- 描述越具体，大模型调用越精准！比如把“股票名称”改成“股票名称，例如：青岛啤酒、贵州茅台”，能大幅降低参数错误率。
- 参数约束必须严格（比如
required），否则大模型可能漏传参数。
2. 决策阶段：大模型判断是否调用工具
当用户提问“青岛啤酒的收盘价是多少？”，大模型会：
- 检查自身训练数据：没有实时股票数据，无法直接回答
- 匹配工具列表：发现
get_closing_price工具能解决这个问题 - 返回
tool_calls字段：包含要调用的工具名、参数、唯一ID
3. Runtime介入：传统代码执行工具逻辑
这是最关键的“人类兜底”环节：
- 代码解析
tool_calls里的指令 - 调用对应的传统函数（
get_closing_price） - 获取结果后，把结果以
role: tool的形式加入对话上下文 - 再次调用大模型，让它基于工具结果生成自然语言回答
四、踩坑提醒（避坑指南）
-
工具描述模糊导致调用失败
❌ 错误示例：description: "查股票价格"
✅ 正确示例：description: "获取指定A股股票的当日收盘价，参数为股票全称" -
参数解析异常
大模型返回的arguments是字符串，必须用JSON.parse解析，建议加try-catch：let args; try { args = JSON.parse(toolCall.function.arguments); } catch (e) { console.error('参数解析失败:', e); args = {}; } -
上下文管理混乱
每次交互都要把大模型响应、工具结果加入messages数组，否则大模型会“失忆”，无法关联工具结果生成回答。 -
API兼容问题
不同厂商的LLM API（如DeepSeek、OpenAI）对tool_calls的格式略有差异，需根据文档调整。
五、总结
工具调用的本质，是LLM的语言能力 + 传统代码的执行能力的结合：
- 用JSON Schema给大模型“植入工具认知”
- 大模型做“决策”：判断是否调用工具、传什么参数
- 传统代码做“执行”：调用工具、获取结果
- 大模型做“总结”：把工具结果转换成自然语言回答
这套逻辑不仅适用于股票查询，还能扩展到天气查询、Excel分析、网页搜索等场景——这也是AI Agent的核心基础。
最后
本文的完整源码（包含天气查询工具的扩展实现）已整理好，你可以查看仓库获取：[完整源码地址]（替换为你的源码地址，若无则注明“私信我获取完整源码”）。
掌握工具调用后，你可以解锁更多场景：让大模型调用API查实时数据、操作数据库、甚至控制硬件设备——这才是AI落地的核心能力。
如果这篇文章对你有帮助，欢迎点赞+收藏，后续会更新“AI Agent操作本地文件”“多工具串联调用”等实战内容！# 告别LLM能力边界！30分钟掌握AI工具调用核心逻辑
作为开发者，你是否曾困惑：
为什么大模型能查股票价格、查天气？
一个只会“词语接龙”的概率模型，怎么突破虚拟限制调用外部工具？
明明训练数据里没有实时数据，却能返回精准的股票收盘价？
这篇文章，我会用可直接运行的Node.js代码，拆解LLM工具调用的底层逻辑，从0到1实现股票价格查询的工具调用，让你彻底搞懂：
- 工具调用不是“黑魔法”，而是精心设计的交互流程
- 如何用JSON Schema给大模型“植入工具认知”
- 传统代码如何和大模型协作完成任务
一、核心认知：LLM本质是“缸中大脑”
先打破一个误区：大模型没有自我意识。
它本质上只是一个“Next Token Prediction”（下一个词预测）的概率模型，像被困在服务器里的“缸中大脑”——看不见屏幕、摸不到键盘，只能处理文本。
工具调用的核心，是把复杂的软件函数（比如查股票价格），降维成大模型能理解的自然语言说明书，再通过传统代码执行工具逻辑，最后把结果返回给大模型生成最终回答。
二、实战场景：实现股票收盘价查询工具调用
我们以“查询青岛啤酒收盘价”为例，完整实现一次LLM工具调用流程，技术栈：
- Node.js + dotenv（环境变量管理）
- OpenAI SDK（兼容DeepSeek API）
- 自定义工具函数 + 大模型交互逻辑
步骤1：环境准备与依赖安装
首先初始化项目，安装所需依赖：
# 初始化package.json
npm init -y
# 安装依赖
npm install openai dotenv
步骤2：完整可运行代码
创建index.js文件，复制以下代码（记得配置.env文件）：
import OpenAI from 'openai';
import dotenv from 'dotenv';
dotenv.config();
// 初始化DeepSeek客户端（兼容OpenAI SDK）
const client = new OpenAI({
apiKey: process.env.DEEPSEEK_API_KEY,
baseURL: process.env.DEEPSEEK_BASE_URL
});
// 1. 定义工具（给大模型的"使用说明书"）
const tools = [
{
"type": "function",
"function": {
"name": "get_closing_price",
"description":"获取指定股票的收盘价", // 描述必须清晰，影响大模型决策
"parameters": {
"type": "object",
"properties": {
"name": {
"type": "string",
"description": "股票名称，例如：青岛啤酒、贵州茅台"
}
},
"required": ["name"] // 必传参数，约束大模型调用格式
}
}
},
{
type: 'function',
function: {
name: 'get_weather',
description: '获取指定城市的天气',
parameters: {
type: 'object',
properties: {
city: {
type: 'string',
description: '城市名称，例如：上海、北京'
}
},
required: ['city']
}
}
}
];
// 2. 传统软件逻辑：实现工具函数（真实场景可替换为API调用）
function get_closing_price(name) {
if (name === '青岛啤酒') {
return '67.92';
} else if (name === '贵州茅台') {
return '1488.21';
} else {
return '未找到该股票';
}
}
// 3. 封装大模型调用函数
async function sendMessage(messages) {
const res = await client.chat.completions.create({
model: 'deepseek-v4-pro', // 替换为你使用的模型
messages,
tools, // 传入工具定义
tool_choice: 'auto' // 让大模型自动决定是否调用工具
});
return res;
}
// 4. 核心交互逻辑
async function main() {
// 初始化对话上下文
let messages = [
{ role: 'user', content: '青岛啤酒的收盘价是多少？' }
];
// 第一次调用大模型：判断是否需要调用工具
const response = await sendMessage(messages);
const message = response.choices[0].message;
console.log('模型返回message 对象', JSON.stringify(message));
// 将大模型的响应加入上下文
messages.push({
role: message.role,
content: message.content,
tool_calls: message.tool_calls
});
// 关键判断：如果大模型返回了工具调用指令
if (response.choices[0].message.tool_calls) {
const toolCall = response.choices[0].message.tool_calls[0];
// 处理股票价格查询工具
if (toolCall.function.name === 'get_closing_price') {
// 解析大模型传递的参数
const args = JSON.parse(toolCall.function.arguments);
// 执行传统工具函数，获取结果
const price = get_closing_price(args.name);
console.log('股票收盘价', price);
// 将工具执行结果加入上下文（关键：返回给大模型）
messages.push({
role: 'tool', // 标记为工具返回结果
content: price,
tool_call_id: toolCall.id // 通过ID关联工具调用
});
console.log('更新后完整对话上下文:', messages);
// 第二次调用大模型：基于工具结果生成最终回答
const finalRes = await sendMessage(messages);
console.log('最终模型返回:', finalRes.choices[0].message.content);
} else if (toolCall.function.name === 'get_weather') {
// 扩展：天气查询工具逻辑（可自行实现）
}
}
}
// 执行主函数
main();
步骤3：配置环境变量
创建.env文件，填入你的DeepSeek API信息：
DEEPSEEK_API_KEY=你的DeepSeek API密钥
DEEPSEEK_BASE_URL=DeepSeek API的baseURL（例如：https://api.deepseek.com/v1）
步骤4：运行代码
node index.js
运行后你会看到：
- 大模型先返回工具调用指令（而非直接回答）
- 代码执行
get_closing_price函数获取价格 - 工具结果返回给大模型
- 大模型生成最终的自然语言回答
三、关键拆解：工具调用的3个核心阶段
1. 认知植入：把工具“翻译”成大模型能懂的语言
代码里的tools数组，就是给大模型的“工具使用说明书”，核心是JSON Schema：
name：工具函数名（唯一标识）description：工具用途（大模型靠这个判断是否调用）parameters：参数约束（类型、描述、必传项）
⚠️ 踩坑提醒：
- 描述越具体，大模型调用越精准！比如把“股票名称”改成“股票名称，例如：青岛啤酒、贵州茅台”，能大幅降低参数错误率。
- 参数约束必须严格（比如
required），否则大模型可能漏传参数。
2. 决策阶段：大模型判断是否调用工具
当用户提问“青岛啤酒的收盘价是多少？”，大模型会：
- 检查自身训练数据：没有实时股票数据，无法直接回答
- 匹配工具列表：发现
get_closing_price工具能解决这个问题 - 返回
tool_calls字段：包含要调用的工具名、参数、唯一ID
3. Runtime介入：传统代码执行工具逻辑
这是最关键的“人类兜底”环节：
- 代码解析
tool_calls里的指令 - 调用对应的传统函数（
get_closing_price） - 获取结果后，把结果以
role: tool的形式加入对话上下文 - 再次调用大模型，让它基于工具结果生成自然语言回答
四、踩坑提醒（避坑指南）
-
工具描述模糊导致调用失败
❌ 错误示例：description: "查股票价格"
✅ 正确示例：description: "获取指定A股股票的当日收盘价，参数为股票全称" -
参数解析异常
大模型返回的arguments是字符串，必须用JSON.parse解析，建议加try-catch：let args; try { args = JSON.parse(toolCall.function.arguments); } catch (e) { console.error('参数解析失败:', e); args = {}; } -
上下文管理混乱
每次交互都要把大模型响应、工具结果加入messages数组，否则大模型会“失忆”，无法关联工具结果生成回答。 -
API兼容问题
不同厂商的LLM API（如DeepSeek、OpenAI）对tool_calls的格式略有差异，需根据文档调整。
五、总结
工具调用的本质，是LLM的语言能力 + 传统代码的执行能力的结合：
- 用JSON Schema给大模型“植入工具认知”
- 大模型做“决策”：判断是否调用工具、传什么参数
- 传统代码做“执行”：调用工具、获取结果
- 大模型做“总结”：把工具结果转换成自然语言回答
这套逻辑不仅适用于股票查询，还能扩展到天气查询、Excel分析、网页搜索等场景——这也是AI Agent的核心基础。
最后
本文的完整源码（包含天气查询工具的扩展实现）已整理好，你可以查看仓库获取：[Knowledge_Repository/ai/agent/tool_use at main · Guwen-yue/Knowledge_Repository]（替换为你的源码地址，若无则注明“私信我获取完整源码”）。
掌握工具调用后，你可以解锁更多场景：让大模型调用API查实时数据、操作数据库、甚至控制硬件设备——这才是AI落地的核心能力。
如果这篇文章对你有帮助，欢迎点赞+收藏，后续会更新“AI Agent操作本地文件”“多工具串联调用”等实战内容！
这里是“一人公司”的成长家园。我们提供从产品曝光、技术变现到法律财税的全栈内容，并连接云服务、办公空间等稀缺资源，助你专注创造，无忧运营。
更多推荐
24
0- 0
已为社区贡献1条内容
所有评论(0)