既然你已经理解了大语言模型（LLM）的底层运行机制，接下来我们要思考下一个关键问题：我们该如何让模型真正去执行各类实际任务？

大语言模型本身仅能生成文本。但如果为其配备工具 —— 赋予它网页搜索、数据库查询、调用应用程序接口（API）的能力，模型的能力就会得到极大拓展。 在本节中，你将弄懂工具调用的工作原理，并亲手搭建第一个支持工具调用的应用程序。

之后我们会拓宽视角，从全局宏观层面梳理整体框架。并非所有人工智能系统都要做成完全自主运行的智能体。很多时候，一套简单、运行结果可预判的工作流会是更优解。我们会辨析 AI 工作流与 AI 智能体二者的区别，同样重要的是，搞清楚两种方案分别适用于什么场景。

学完本节后，你会在脑海中建立一套清晰的 AI 系统架构认知框架，做好从零开发专属智能体的准备。

LLM 工具调用、AI 工作流与 AI 智能体完整梳理

一、核心痛点：原生 LLM 的能力边界

纯大语言模型只具备文本生成、逻辑推理、知识记忆三大基础能力，存在天然短板：

1. 知识截止：训练数据有时间上限，无法获取实时信息（新闻、实时价格、今日数据）；
2. 无外部操作能力：不能查数据库、发接口、读写文件、控制软件、联网检索；
3. 数值计算 / 精准查询薄弱：复杂四则运算、SQL 统计、批量数据匹配容易出错；
4. 无法落地真实业务动作：下单、发消息、读取本地文档、调用第三方服务全都做不到。

解决方案：给 LLM 外挂工具（Tool Use / Function Calling），让模型从 “只会说话” 变成 “能动手办事”。

二、工具调用（Function Calling）完整工作原理

1. 核心组成

1. 工具定义层：开发者预先向模型提供工具清单，包含：工具名称、功能描述、入参 JSON Schema、参数类型 / 必填项、返回值格式； 示例工具：search_web(关键词)、sql_query(数据库、sql语句)、get_stock(股票代码)
2. LLM 决策层：模型读取用户需求，自主判断是否需要调用工具、选哪个工具、填什么参数；
3. 执行器层（代码侧）：解析模型输出的结构化工具调用指令，本地 / 远端执行真实函数、API、数据库；
4. 结果回填层：把工具返回的真实数据封装成文本，塞回上下文窗口，让 LLM 结合工具结果给出最终回答。

2. 标准四步执行流程

1. 用户提问 → 系统 Prompt 注入全部工具描述；
2. LLM 判断：现有知识不足以回答 → 输出标准化工具调用 JSON（而非自然语言）；
3. 后端代码捕获 JSON，执行对应工具，拿到原始数据；
4. 将工具返回数据追加到对话上下文，再次交给 LLM，模型整合信息生成最终回复。

3. 两种主流实现方案

• 原生函数调用（GPT、Qwen、GLM、DeepSeek 等主流模型内置）：模型原生支持输出规范 JSON 工具调用，无需复杂提示词；
• 提示词模拟工具调用（开源小模型无原生能力时）：依靠 Prompt 约束模型按固定格式输出调用指令，兼容性强但稳定性弱。

4. 工具调用落地价值

• 补齐实时信息短板：联网搜索、实时行情、当日资讯；
• 完成确定性操作：数据库增删改查、文件读写、第三方 API（支付、地图、推送）；
• 降低推理误差：复杂数学、单位换算、批量统计交给工具计算，LLM 只做整合。

三、AI 工作流 vs AI 智能体（Agent）核心区分

1. AI 工作流（Workflow）

定义

预定义、固定分支、流程可控的 AI 任务链路，每一步执行逻辑、调用工具、判断规则由开发者提前写死，LLM 仅负责单环节文本处理，无自主决策权限。 典型架构：编排引擎（LangChain/LangGraph/Flowise）+ 分步节点 + 固定跳转条件。

特征

1. 流程路径可预判，输入固定则输出逻辑固定；
2. 自主决策极少，分支、循环、终止条件人工硬编码；
3. 每一步任务单一，责任边界清晰；
4. 调试、运维、成本管控简单，可批量并发。

适用场景

• 标准化业务处理：文档摘要→关键词提取→数据库入库；
• 固定数据报表：读取 Excel→计算指标→生成周报；
• 客服固定工单：接收问题→检索知识库→固定模板回复；
• 低复杂度、高并发、强合规场景（金融、政务审核）。

2. AI 智能体（Agent）

定义

赋予 LLM自主规划、循环思考、动态选工具、自主终止任务的自治系统，没有固定流程，模型根据任务动态决定下一步动作。 核心循环：思考 (Thought) → 工具调用 (Action) → 观察 (Observation) → 循环直至任务完成（ReAct 框架是标准实现）。

特征

1. 流程不可完全预判，复杂任务会自主多轮调用工具；
2. 拥有自主规划能力：拆解复杂目标、选择工具、纠错重试；
3. 存在循环、多轮交互，上下文消耗更高、延迟更长；
4. 灵活性极强，但结果存在不确定性，调试难度更高。

适用场景

• 开放式复杂任务：市场调研（搜新闻→查财报→对比数据→生成分析报告）；
• 未知路径问题：代码排错、多工具组合解决综合需求；
• 个性化自主助手：私人数据分析机器人、自主调研助手。

对比表格

表格

维度	AI 工作流	AI 智能体 Agent
流程控制权	开发者预定义固定流程	LLM 自主动态决策
工具调用	调用时机、次数预先限定	自主判断是否调用、调用多少次
可预测性	高，输入一致则链路一致	低，复杂任务每轮执行路径可能不同
资源消耗	Token 消耗稳定、速度快	多轮循环，Token 与延迟更高
运维难度	简单，节点可单独监控	复杂，需做循环上限、超时、失败兜底
最优场景	标准化、高频、合规业务	开放式、多步骤、无固定解法的复杂任务

四、完整 AI 系统分层架构（学完本节建立的全局认知）

从底层到上层，分层清晰，可直接用于从零开发智能体：

1. 底层基座层：大语言模型（推理 API / 本地部署 LLM），负责理解、生成、决策；
2. 工具能力层：函数封装、API 连接器、数据库驱动、搜索客户端、文件操作工具；
3. 调度核心层
   • 简单业务：工作流编排引擎（固定节点流转）；
   • 复杂任务：Agent 调度器（ReAct/Plan-Solve 循环、记忆管理）；
4. 记忆管理层：短期对话上下文、长期向量知识库、任务历史存储；
5. 业务应用层：前端交互、业务校验、权限控制、结果导出、日志监控；
6. 兜底安全层：工具调用权限拦截、输入输出脱敏、循环次数限制、错误重试机制。

五、落地学习路线（从零搭建专属智能体）

1. 基础：掌握 Function Calling 调用规范，完成单工具调用 Demo（联网搜索 / 计算器）；
2. 进阶：搭建多工具串联基础链路，区分固定工作流实现；
3. 核心：基于 ReAct 实现基础 Agent，完成自主多轮工具调用；
4. 工程化：接入向量记忆、增加循环限制、异常捕获、日志；
5. 场景选型：根据业务标准化程度，选择工作流 / Agent 架构完成最终产品。

六、关键总结

1. 工具调用是 LLM 从 “文本生成” 走向 “实操任务” 的核心桥梁，解决知识滞后、无外部操作能力两大核心缺陷；
2. AI 工作流追求稳定、可控、低成本，适合标准化流水线业务；AI 智能体追求灵活、自主、复杂问题求解，适合无固定流程的开放式任务；
3. 工具层 + 调度层（工作流 / Agent）+ 记忆层构成通用 AI 系统骨架，掌握这套架构即可独立开发各类行业 AI 应用、专属智能体。