一、 主要概念：LLM + Tools = Agent 的“认知植入”

在讲代码前。我们先建立一个主要认知：工具调用，本质上是把“函数”降维成了“语言”。

大模型不懂什么是天气 API。也不懂 SQL 查询，但它听得懂自然语言。我们在配置 tools 时其实是在做一件非常精妙的事——认知植入。我们通过 JSON Schema 这种约束格式，把复杂的软件接口函数翻译成 LLM 能理解的“说明书”。

当使用者问“青岛啤酒的收盘价是多少”时LLM 发现训练语料里没有这个实时数据。但它了一段“自然语言代码”，接下来中断执行把这段代码交还给我们的 Runtime去真正执行。

记住这个公式：LLM 负责决策与翻译，Runtime 负责执行与反馈。

二、 痛点与场景：为什么需要 Tool Use？

• LMM 知识滞后 & 幻觉：你问它今天的茅台股价。它要么瞎编，要么告诉你它不知道。
• Ai 无法直接交互物理世界：它不能直接连你的 MySQL，也不能帮你发钉钉消息。
• User Pain Point: 开发者面临两大痛点：1) 数据实时性差；2) 与外部程序耦合度高，维护成本暴涨。

Tool Use 解决问题了这两个问题。 它让 LLM 退回到最擅长——意图识别与逻辑推理，而把“脏活累活”交回给传统软件世界。这就形成了新旧范式结合：Ai 做大脑，传统代码做手脚。

三、 重难点剖析：代码背后的“三步走”设计

重难点 ：JSON Schema 的 “认知植入”艺术

• User Pain Point: 如果描述不清晰。LLM 就会猜错参数，导致工具调用失败或错误返回。
• SOLUTION: 把 Description 写得像教小白一样具体；老实说，Status Required fields 用来防止生成残缺指令。
• BONUS: 使用 schema 自动校验可以提前拦截错误格式，明显提高健壮性。

重难点 ：意图识别 & 对话中断管理

• User Pain Point: 许多新人误以为 tool_calls 就是最终答案，而忽略了对话上下文完整性的关键性。
• SOLUTION:
  • Add tool call as an assistant message to history.
  • Add tool result as a tool message back into stream.
  • The second call to LLM will now produce a natural‑language reply.

重难点 ：Runtime 的桥梁作用

• User Pain Point: 开发者往往忘记解析 JSON 参数并路由到本地函数，从而导致运行时错误或空值返回。
• SOLUTION: 

  
  // Parse JSON arguments string
  const args = JSON.parse;
  // Route to appropriate local function
  const result = get_closing_price;// Feed result back to LLM
  messages.push({
  至于role。'tool',tool_call_id: toolCall.id,content: result
  });

四、 对应整条链路

五、 避坑教程：新手最容易踩的几个坑

1. PITFALL ONE: "忘记把 .toolcalls=push到历史消息"
• Error demo: LLM returns a tool call → execute it → send result back without adding original assistant message containing call.
• CORRECT WAY: Push both messages in order – User → Assistant → Tool. This keeps context intact.
2. PITFALL TWO: "toolcallid 对不上"
• Error demo: returning tool results without matching .toolcall_id.
• CORRECT WAY: Use same id returned by LLM for each call.

六、 面试高频考点

#2 "为什么需要两次甚至多次请求 LLM？"* 答：第一次产生 tool_calls；Runtime 执行后结果回到上下文；第二次让 LLM 阅读结果并输出最终回答。这是思考‑行动‑观察循环。

#3 "JSON Schema 在 Tool Use 中扮演什么角色？"* 答：它是自然语言与强类型代码之间的桥梁，参数合法可解析。

AIGC 开发者必读：

• LMM 做决策想象；老实说，Runtime 做兜底执行。说起来，保持清醒分工，是写稳健 AI 应用的不二法门！🛠️💡 • 开发过程中不要忽略 JSON Schema 的约束，否则将踩进无效调用和类型错误坑。其实，• 在对话管理中始终保留完整上下文。包括每一次工具调用及其返回结果。• 常用结构化输出也可借助一样思路，用 Schema 强制返回固定格式的数据。

🚀