文章总结： 本文介绍了大模型的toolcalls（工具调用）能力，解释了其含义、工作机制，并通过示例代码演示了如何让模型调用外部工具（如查询天气函数）来增强自身能力。文章还分析了其在Agent领域的应用，指出ToolCalls是实现智能体能力的核心手段，而Agent的本质是状态管理器。 综合评分： 85 文章分类： AI安全,技术标准,解决方案,安全开发,其他
大模型的 tool calls 能力
原创
hyang0 hyang0
生有可恋
2026年3月29日 08:30 湖北
大模型的各项能力中有一项能力叫 “tool calls“，如果直接翻译就叫”工具调用”。
什么是 tool calls 的能力？
在 deepseek 模型的官方文档中有这么一个表：
https://api-docs.deepseek.com/zh-cn/quick_start/pricing
关于 tool calls 的解释，文档中是这样说的：
Tool Calls 让模型能够调用外部工具，来增强自身能力。
DeepSeek API 文档给出了 tool calls 的 API 示例：
from openai import OpenAI
def send_messages(messages): response = client.chat.completions.create( model="deepseek-chat", messages=messages, tools=tools ) return response.choices[0].message
client = OpenAI( api_key="<your api key>", base_url="https://api.deepseek.com",)
tools = [ { "type": "function", "function": { "name": "get_weather", "description": "Get weather of a location, the user should supply a location first.", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "The city and state, e.g. San Francisco, CA", } }, "required": ["location"] }, } },]
messages = [{"role": "user", "content": "How's the weather in Hangzhou, Zhejiang?"}]message = send_messages(messages)print(f"User>\t {messages[0]['content']}")
tool = message.tool_calls[0]messages.append(message)
messages.append({"role": "tool", "tool_call_id": tool.id, "content": "24℃"})message = send_messages(messages)print(f"Model>\t {message.content}")
这个例子中没有给出 get_weather 的实现，例子跑不起来。我在 ollama 下完成了一个可实际执行的例子，其中 get_current_weather() 是 dummy 函数，主要用来演示 tool calls 的用法。
import jsonfrom openai import OpenAI# 1. 初始化客户端 - 使用 Ollama APIclient = OpenAI( base_url="http://192.168.1.1:11434/v1", api_key="ollama" # Ollama 本地运行通常不需要 API key，这里任意填写即可)# 2. 定义工具（函数）的 schematools = [ { "type": "function", "function": { "name": "get_current_weather", "description": "获取指定城市的实时天气", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "城市名称，例如：北京、上海" }, "unit": { "type": "string", "enum": ["celsius", "fahrenheit"], "description": "温度单位" } }, "required": ["location"] } } }]# 3. 模拟实际执行的天气查询函数（实际可替换为 API 调用）def get_current_weather(location, unit="celsius"): # 这里仅为演示，返回模拟数据 weather_data = { "北京": {"celsius": 22, "fahrenheit": 72, "condition": "晴朗"}, "上海": {"celsius": 26, "fahrenheit": 79, "condition": "多云"}, } data = weather_data.get(location, {"celsius": 20, "fahrenheit": 68, "condition": "未知"}) # 不区分大小写处理 unit 参数 unit_lower = unit.lower() if unit else "celsius" temp = data[unit_lower] condition = data["condition"] return f"{location}当前{condition}，气温{temp}°{'C' if unit_lower=='celsius' else 'F'}"# 4. 用户对话messages = [ {"role": "user", "content": "北京今天天气怎么样？"}]# 第一次请求：模型判断是否需要调用工具response = client.chat.completions.create( model="gpt-oss:20b", # 请替换为你在 Ollama 中实际使用的模型名称，例如：llama3.1, gemma, qwen2 等 messages=messages, tools=tools, tool_choice="auto" # auto 让模型自主决定是否调用)# 获取模型返回的消息response_message = response.choices[0].messagetool_calls = response_message.tool_calls# 5. 如果模型决定调用工具，则处理调用请求if tool_calls: # 将模型的原始回复追加到对话历史 messages.append(response_message) # 遍历模型请求的所有工具调用（本例只有一个） for tool_call in tool_calls: function_name = tool_call.function.name function_args = json.loads(tool_call.function.arguments) # 执行对应的函数 if function_name == "get_current_weather": result = get_current_weather( location=function_args.get("location"), unit=function_args.get("unit", "celsius") ) else: result = f"未知工具: {function_name}" # 将工具执行结果作为新消息加入历史 messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": result }) # 6. 第二次请求：将工具结果发回模型，生成最终答案 final_response = client.chat.completions.create( model="gpt-oss:20b", # 请替换为你在 Ollama 中实际使用的模型名称，例如：llama3.1, gemma, qwen2 等 messages=messages, ) final_answer = final_response.choices[0].message.content print("最终答案：", final_answer)else: # 模型未调用工具，直接输出回复 print("直接回复：", response_message.content)
这个例子用的模型是 gtp-oss:20b，它也有 tool calls 的能力，这段代码演示了 tool calls 的用法，可以理解为 tool calls 就是大模型调函数。
目前 OpenClaw、Claud Code 等 agent 都有工具调用的能力，它们的原始能力就是 tool calls。
具体做法如下：
以 Claude Code 调用 grep 命令为例，首先大模型返回一个 tool_use 块，内容如下：
{ "name": "Bash", "input": { "command": "grep -r \"function\" --include=\"*.js\" ." }}
后续步骤：
-
宿主程序（Claude Code CLI）拦截这个 JSON，并没有再次请求模型，而是在真实的终端里执行
grep。 -
宿主程序捕获命令的退出码（exit code）、
stdout、stderr。 -
宿主程序将结果封装成新的
tool_result消息发回给模型。 -
模型分析结果，决定是继续执行下一条命令，还是给出最终答案。
模型本身并不直接执行 exec 系统调用，它只是“建议”执行某条命令，由宿主程序作为代理去执行。
命令行调用是 Tool Calls 的一种具体实现形式，Agent 对 Tool Calls 进行了进一步的封装，增加了状态管理、对话树等结构。
大模型是无状态的，Agent 的本质是“状态管理器”。
Claude Code 等工具利用模型的原生 Tool Calls 能力输出指令，再由一个高性能的宿主程序（Rust/Go/TypeScript 编写）去执行这些指令，并通过精密的 Prompt Engineering 和历史管理，让模型产生“我在操作电脑”的连贯感知。
Tool Calls 是实现手段，而对话树、状态维护、流式执行是赋予其“Agent 智能”的工程架构。
理解了 Tool Calls，基本上就理解了 OpenClaw、Claud Code 等 agent 的能力来源。
全文完。
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：生有可恋 hyang0 hyang0《大模型的 tool calls 能力》
版权声明
本站仅做备份收录，仅供研究与教学参考之用。
读者将信息用于其他用途的，全部法律及连带责任由读者自行承担，本站不承担任何责任。
评论