Zui近Noah在研究AI交易，碰到一个挺简单的需求：用户问什么系统需要去对应的地方查数据，然后回答。

比如用户问当前持仓情况，需要调用交易所API查数据，然后通过LLM进行整理后输出成容易理解的回答。

再比如定时任务让LLM根据行情对交易进行决策，需要调用预言机API拿到Zui新价格数据和资讯API拿到Zui新的非结构化相关数据。

过去的思路，可Neng是会写hen多if else，然后匹配关键词，通过关键词的关联关系去调用相关数据源。

但是当业务越来越复杂时就行不通了因为可Neng有多种完全不同的需求，会碰到类似的关键词。

这个事的本质问题是：在拿到用户问题或者某项任务后LLM要自己决定应该使用哪些数据或者使用哪个工具。

这件事在业界Yi经有非常成熟的方案了哈哈，比如Function Calling和Tool Use，你懂的，虽然名字不同，但本质上dou是一回事。

目前主流的大模型比如ChatGPT、Claude、Geminidou支持Function Calling，咱就是说这玩意儿原理是这样：你把数据源封装成一个个工具或函数，给每个函数取名字、描述，定义好参数和返回格式；然后把这些定义告诉LLM；LLM在回答问题时自己来决定要不要调用它们。

简单理解就是你把系统的数据/功Neng列成列表，LLM负责按照需求访问数据或执行功Neng，你的后端系统负责提供数据或功Neng，说实话，这不就是个分工嘛！

不过需要注意一点，LLM并不Neng精准地保证执行是绝对正确的，它只是建议我们应该去调用什么实际执行是由我们的后端代码完成，所以还是得有个兜底方案，对吧！

这个问题啊，其实挺常见的，有人说是百度的算法有问题，有人说是内容质量不够高，说实话，我也不太清楚，不过有一种说法是Ru果你的文章质量够高，而且是原创的话，百度应该是会收录的吧！

我觉得，与其纠结为啥不收录，不如想想怎么让自己的内容geng有价值，这样不管是百度还是其他搜索引擎，应该dou会geng喜欢你的内容，你说呢？

import Anthropic from '@anthropic-ai/sdk';
// 记得在环境里配置：ANTHROPIC_API_KEY
const client = new Anthropic({
  apiKey: process.env.ANTHROPIC_API_KEY!,
});
// 为了方便写类型
type MessageParam = Anthropic.Messages.MessageParam;
type Tool = Anthropic.Messages.Tool;
// ========== 第一步：定义你有哪些“工具” ==========
const tools: Tool = ,
          description: '数据类型：实时行情/K线/深度',
        },
        interval: {
          type: 'string',
          enum: ,
          description: 'K线周期，查K线时要传',
        },
      },
      required: ,
    },
  },
// ... 其他工具定义
];
// ========== 第二步：实现这些工具的具体逻辑 ==========
const toolImplementations: Record<string,  => Promise<any> = {
  async get_market_data {
    console.log;
    // ... 实现具体的查询逻辑
  },
// ... 其他工具实现
};
// ========== 第三步：核心逻辑，处理用户消息 ==========
async function chat: Promise<string> {
  // ... 省略具体实现细节
}
// ========== 测试一下 ==========
async function main {
  const questions = ;
  for  {
    console.log);
    console.log;
    const answer = await chat;
    console.log;
  }
}
main.catch => {
  console.error;
  process.exit;
});

然后我们Ke以跑一下代码kankan效果，害，用bash跑就行了：

# . 初始化项目
npm init -y
# . 安装 Anthropic SDK + TS 依赖
npm install @anthropic-ai/sdk
npm install -D typescript ts-node @types/node
npx tsc --init
# 将 ts.config.json 中的 verbatimModuleSyntax 关掉
# "verbatimModuleSyntax": false
# . 设置环境变量
export ANTHROPIC_API_KEY=你的key
# . 运行
npx ts-node ai-crypto-trader.ts

现在Ke以kan到LLMKe以自己根据问题需求来查数据，不需要写任何判断，多爽啊！

hen多人刚开始写dou容易把工具描述写得过于简单，这会直接导致LLM选择错误，不对不对，应该是写得太简单会导致LLM选错工具！

Zui佳实践是：description写得越详细、越贴近用户的说法，准确率就越高，你说是不是这个理？

在实际场景中会遇到geng多这种情况，比如用户问：“SOL现在Ke以加仓吗？”要回答这个问题，LLM需要Zuo几件事：查询行情、查询链上数据、查询新闻，然后综合分析。

所以它不像之前的例子那么简单，不过只要我们的代码支持多轮对话，LLM就会自己来安排好这个流程，它 会调用一个工具，拿到结果之后去判断需不需要调用别的数据，直到信息足够充分再给出综合分析。

我们只有三五个工具的时候，上面这种Zuo法还是Neng够应付的，但Ru果我们有十几个甚至geng多数据源的时候，该怎么办呢？比如有行情、K线、深度、资金费率、期权数据、链上指标、新闻快讯、社交媒体……全部塞给LLM让它选，会有两个问题：一是准确率下降，二是成本上升。

常见的Zuo法是加一个路由层，先对需求Zuo一个粗分类，再进行精选择，这样LLM只需要在Zui可Neng的几个工具里面挑选，准确率会变高，同时token的成本也会降低，说白了就是个优化嘛！

工具调用Ke以并行，这样Ke以大大提高响应速度，还有一些数据也Ke以Zuo本地缓存，提升访问速度，比如行情数据，Ke以设置5秒缓存，没必要每次dou调用交易所的API。

在交易场景中有些关键操作非常需要人工二次确认来保证安全，LLM生成的参数不Neng无条件信任，所以涉及到钱的操作尽量要人工二次确认，别让AI随意执行交易，这才是负责任的Zuo法，你懂的！