智能体工具使用模式

点击上方图片可观看原课程视频。

工具是智能体扩展能力的核心。借助工具，智能体不再局限于单一输出，而是可以执行计算、检索外部数据、调用业务接口等多类操作。本节聚焦“工具使用”设计模式，解释智能体如何合理调用工具完成目标。

本节要回答的问题

• 什么是工具使用设计模式？
• 适用于哪些场景？
• 实现该模式需要哪些构件？
• 在打造可信智能体时，应注意哪些特殊考量？

学习目标

学完本节后，你将能够：

• 定义工具使用设计模式及其作用。
• 判断该模式适用的典型场景。
• 了解实现该模式所需的关键组件。
• 识别在使用工具时确保可信与安全的关键因素。

工具使用设计模式是什么

工具使用设计模式强调为大型语言模型（LLM）提供调用外部工具的能力。工具通常是可执行的代码，可以是简单函数（如计算器）或第三方 API（如股票、天气查询）。当模型根据提示决定执行某项任务时，会触发对应的函数调用。

典型应用场景

借助工具，智能体可以完成多样任务，常见场景包括：

• 动态信息检索：调用数据库或 API 获取最新数据，例如查询 SQLite、获取股价或天气。
• 代码执行与解释：运行脚本以解决数学问题、生成报告或模拟数据。
• 流程自动化：整合任务调度、邮件服务或数据流水线，自动执行多步骤任务。
• 客户支持：访问 CRM、工单系统或知识库，为用户解决问题。
• 内容生成与编辑：调用语法检查、摘要或内容安全工具辅助创作。

实现该模式需要的构件

要让智能体顺利调用工具，通常需要以下组件：

• 函数/工具 Schema：描述工具名称、用途、参数及返回值，便于模型选择合适工具并构造正确的调用。
• 执行逻辑：根据用户意图和上下文决定何时调用工具，可能包含规划器、路由或条件分支。
• 消息处理体系：管理用户输入、模型响应、工具调用与返回结果之间的对话流程。
• 工具集成框架：负责连接各类工具，无论是本地函数还是外部服务。
• 错误处理与校验：处理执行失败、参数校验与意外响应。
• 状态管理：维护多轮对话中的上下文、历史调用与持久化数据。

函数/工具调用机制

函数调用是 LLM 与工具交互的核心。当模型收到用户请求后，会把描述所有可用函数的 schema 作为参考，选择最适合的函数并返回名称与参数。宿主程序随后执行该函数，将结果回传给模型，再生成最终回答。

以下示例展示了如何让模型调度一个“获取当前时间”的函数。

# 摘自官方示例，演示模型如何返回函数调用

response_message = client.chat.completions.create(
    model=deployment_name,
    messages=messages,
    tools=tools,
    tool_choice="auto",
    temperature=0.2,
)

print("Model's response:")
print(response_message)

Model's response:
ChatCompletionMessage(... tool_calls=[ChatCompletionMessageToolCall(... name='get_current_time' ...)])

随后执行函数：

def get_current_time(location):
    """Get the current time for a given location"""
    location_lower = location.lower()
    for key, timezone in TIMEZONE_DATA.items():
        if key in location_lower:
            current_time = datetime.now(ZoneInfo(timezone)).strftime("%I:%M %p")
            return json.dumps({
                "location": location,
                "current_time": current_time
            })
    return json.dumps({"location": location, "current_time": "unknown"})

# 处理模型的 tool_calls
if response_message.tool_calls:
    for tool_call in response_message.tool_calls:
        if tool_call.function.name == "get_current_time":
            function_args = json.loads(tool_call.function.arguments)
            time_response = get_current_time(location=function_args.get("location"))
            messages.append({
                "tool_call_id": tool_call.id,
                "role": "tool",
                "name": "get_current_time",
                "content": time_response,
            })
else:
    print("No tool calls were made by the model.")

final_response = client.chat.completions.create(
    model=deployment_name,
    messages=messages,
)

print(final_response.choices[0].message.content)

从零实现函数调用较为繁琐，因此 Lesson 02 中提到的智能体框架往往提供现成组件，帮助我们专注业务逻辑。

不同框架中的工具使用示例

Semantic Kernel

Semantic Kernel 面向 .NET、Python、Java 开发者开源，能够自动序列化函数及参数，并处理模型与代码之间的往返通信。框架内亦提供文件检索、代码解释器等现成工具。

函数调用流程示意：

在 Semantic Kernel 中，工具被称为插件。我们可以将前述 get_current_time 封装成一个插件：

from semantic_kernel.functions import kernel_function

class GetCurrentTimePlugin:
    async def __init__(self, location):
        self.location = location

    @kernel_function(description="Get the current time for a given location")
    def get_current_time(location: str = ""):
        ...

from semantic_kernel import Kernel

kernel = Kernel()
get_current_time_plugin = GetCurrentTimePlugin(location)
kernel.add_plugin(get_current_time_plugin)

Azure AI Agent Service

Azure AI Agent Service 提供托管式的智能体开发与部署能力，包含自动函数调用、会话线程、以及 Bing、Azure AI Search、Azure Functions 等内建工具。可将这些工具组合为 toolset，由服务端根据用户需求自动选择。

示例：构建一个分析销售数据的会话智能体。

import os
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from fetch_sales_data_functions import fetch_sales_data_using_sqlite_query
from azure.ai.projects.models import ToolSet, FunctionTool, CodeInterpreterTool

project_client = AIProjectClient.from_connection_string(
    credential=DefaultAzureCredential(),
    conn_str=os.environ["PROJECT_CONNECTION_STRING"],
)

fetch_data_function = FunctionTool(fetch_sales_data_using_sqlite_query)
toolset = ToolSet()
toolset.add(fetch_data_function)

code_interpreter = CodeInterpreterTool()
toolset = ToolSet()
toolset.add(code_interpreter)

agent = project_client.agents.create_agent(
    model="gpt-4o-mini", name="my-agent", instructions="You are helpful agent",
    toolset=toolset
)

可信落地的注意事项

当智能体动态生成 SQL 时，需格外关注安全，例如防止 SQL 注入或恶意操作。常见做法包括：

• 为数据库配置只读权限，限制应用仅执行 SELECT。
• 在企业环境中，将生产数据抽取到只读的数据仓库，以获得更安全、性能更优的查询体验。
• 在受控环境中运行应用，确保工具调用不会越权。

更多交流渠道

欢迎加入 Azure AI Foundry Discord，与其他学习者交流工具使用经验。

延伸资源

• https://microsoft.github.io/build-your-first-agent-with-azure-ai-agent-service-workshop/
• https://github.com/Azure-Samples/contoso-creative-writer/tree/main/docs/workshop
• https://learn.microsoft.com/semantic-kernel/concepts/ai-services/chat-completion/function-calling/?pivots=programming-language-python#1-serializing-the-functions
• https://github.com/microsoft/semantic-kernel/blob/main/python/samples/getting_started_with_agents/openai_assistant/step3_assistant_tool_code_interpreter.py
• https://microsoft.github.io/autogen/dev/user-guide/core-user-guide/components/tools.html

上一篇

03 智能体设计模式解析

下一篇

05 智能体 RAG 模式