07_day2-实验-agent分析选择工具-程序阐述

程序解析

day2_qwen_tool_calling.py流程图

🎯 1. 「问题」——为什么需要工具？

❓ “AI 能回答‘现在几点？’吗？”

• 演示：直接问普通 AI → 它会说“我无法获取实时时间”或胡编。
• 💡 核心痛点：大模型是“静态知识库”，不知道此刻的真实世界状态（时间、天气、股价、文件内容等）。

✅ 解决方案：给 AI 配“工具”（就像给人配手机查天气）！

👉 类比：

• AI = 聪明但闭眼的人
• 工具 = 它的眼睛和手
• 我们教它：“当你需要看时间，就调用 get_current_time()”

---

🔧 2. 「整体流程」——两步策略

AI 工具调用 = 两轮对话

第一轮：用户提问 → AI 思考 → 决定是否调工具 + 传什么参数
第二轮：把工具返回的真实数据喂给 AI → AI组织语句 → 生成最终自然语言回答

用户: "现在几点？成都天气？"
       ↓
AI: (思考) → 需要调两个工具！
       ↓
调用 get_current_time() → 返回 "2026-01-24 12:00:00"
调用 get_weather("成都") → 返回 "小雨，18°C"
       ↓
AI: (结合真实数据) → "当前时间是...，成都今天小雨..."

✅ 强调：这不是“AI 直接执行代码”，而是调用函数，调用安全的、受控的函数。

---

🧩 3. 代码三要素（核心）

整个程序只需关注 3 个部分：

✅ (1) 工具函数（Tools） —— 你写的“能力”

def get_current_time(): ...
def get_weather(city): ...

👉 这是你赋予 AI 的“超能力”，可以任意扩展（查汇率、读文件等）

✅ (2) 工具描述（Tool Schema） —— 告诉 AI “怎么用”

{
  "name": "get_weather",
  "description": "查询天气",
  "parameters": { "city": {"type": "string"} }
}

👉 这是给 AI 看的说明书，必须结构化（JSON Schema），AI 才知道要传什么参数

✅ (3) 两轮调用逻辑 —— 协调者

• 第一次：Generation.call(..., tools=tools) → 获取 tool_calls
• 执行本地函数 → 收集结果
• 第二次：把结果作为 role="tool" 消息传回 → 得到最终回答

💡 关键点：AI 不直接运行你的函数！它只返回“我想调 get_weather，参数是成都”，由你的程序决定是否真的调用（安全可控！）

---

⚠️ 4. 强调一个易错点（防坑指南）

❗ arguments 是字符串，不是字典！

# 错误 ❌
args = tool_call["function"]["arguments"]  # 这是 '{"city": "成都"}' 字符串！
city = args.get("city")  # 报错！str 没有 .get()

# 正确 ✅
args = json.loads(tool_call["function"]["arguments"])  # 先转成 dict

👉 原因：API 传输的是 JSON 文本，必须解析！

---

🌟 5. 升华：这是 Agent 的基石（展望未来）

• 你现在实现的，就是 AI Agent（智能体）的核心机制！
• 真实应用中：
  • 工具可以是：数据库查询、API 调用、代码解释器、文件系统...
  • 多个工具可组合（先查天气，再推荐穿衣）
• LangChain / LlamaIndex 等框架，底层也是这个原理！

💬 金句总结：
“大模型 + 工具 = 从‘知道’到‘做到’”

---

📚 教学建议

学生水平	讲解重点
初学者	聚焦第 1、2、5 点，用类比理解“为什么需要工具”
有 Python 基础	加入第 3 点，让学生自己添加一个新工具（如 get_date()）
进阶学习者	对比 LangChain Agent vs 原生 DashScope，讨论封装与灵活性

---

这样讲解，学生不仅能跑通代码，更能理解背后的设计思想，为后续学习 Agent 开发打下坚实基础！🎉