第3章 工具调用（Tool Use / Function Calling）
🔧 "如果 LLM 是一个博学但足不出户的学者，那工具就是它的手脚——让它能走出书房，触摸真实世界。"
想象一下：你问 ChatGPT "现在苹果股价是多少？"，它只能回答"根据我训练数据中的信息……"。因为它被训练完后就与世隔绝了——不能搜索、不能计算、不能执行任何操作。
工具调用（Function Calling）要解决的就是这个问题。
它让模型不再只是"说"，还能"做"。模型自己不执行任何操作，而是输出一段结构化的指令："请帮我调用天气 API，查询北京"。我们的代码收到指令后执行真正的操作，再把结果反馈给模型。
这就是 Function Calling 的核心思想：LLM 当大脑做决策，代码当手脚去执行。
🎓 学习目标
完成本章学习后，你将能够：
- ✅ 理解 Function Calling 的 5 步流程到底是什么
- ✅ 设计出让模型"听懂"的工具定义
- ✅ 编写高质量的
description字段——它直接决定了 Agent 的"智商" - ✅ 从零搭建一个能搜索、能计算的 Agent
- ✅ 了解工具学习的学术前沿（Toolformer / Gorilla / ToolLLM）
⏱️ 预计学习时间
约 60-80 分钟（精读 + 动手实践）
💡 前置知识
- 了解 Python 基本语法（函数、字典）
- 知道 JSON 是什么
- 有过一次调用 OpenAI API 的经验即可
📚 本章结构
| 小节 | 内容 |
|---|---|
| 3.1 为什么需要工具？ | 先建立直觉：LLM 的三个"先天残疾" |
| 3.2 Function Calling 机制 | 核心章节：5 步流程 + 最小可运行代码 |
| 3.3 自定义工具的设计原则 | 不是怎么写代码，而是怎么思考设计 |
| 3.4 工具描述的编写技巧 | description 写得好不好，Agent 智商差一倍 |
| 3.5 实战：搜索引擎+计算器 | 把前面学的全部串起来 |
| 3.6 论文解读 | 学术前沿：Toolformer / Gorilla / ToolLLM |
📌 一句话总结本章：工具调用的本质是 "用自然语言桥接 LLM 的推理能力和外部系统的执行能力"。掌握好这一章，后面学 RAG、Multi-Agent 都会顺畅很多。
🔗 学习路径
前置知识：第2章 大语言模型基础
后续推荐：
- 👉 第4章 记忆系统（Memory） — 让 Agent 记住交互历史
- 👉 第6章 检索增强生成（RAG） — 工具调用与外部知识检索的结合