2026/7/23大约 2 分钟
在代码里定义的那个 **tools** 列表，确实不是真正的工具，它只是一份“菜单”或“协议”。
为了让你彻底转过这个弯来，我们可以把 Agent 的工作流程拆解为 “大脑决策” 和 “身体执行” 两个阶段。
1. tools 参数：大脑的“虚构记忆”
当你把 tools 传给大模型（LLM）时，你只是在告诉它：
“嘿，如果你发现你需要查 CPU 占用率，你可以假装写下一行指令，名字叫 get_cpu_usage。我会看着办的。”
这时候，大模型并没有真的去碰你的电脑。它只是在它的回复里，按照你给的 JSON Schema 格式，写下了一串文本。
2. 真正的工具：你本地的 Python 函数
真正的“工具”是你自己在本地写的那个 def get_cpu_usage(): ... 函数。
- 模型的作用：决定“要不要用”以及“怎么填参数”。
- 你的代码的作用：看到模型想用工具，就拦截这个请求，手动运行本地函数，再把结果塞回给模型。
3. 为什么不直接让 LLM 运行代码？
这是一个非常关键的安全和架构设计：
- 安全隔离：如果模型能直接运行代码，它可能会不小心执行
rm -rf /。通过这种“协议”方式，执行权永远在你手里。 - 跨平台：模型在云端（阿里云服务器），你的工具在本地（你的电脑）。云端的大脑无法直接伸出手来摸你的硬盘，只能通过 JSON 这种“电报”来指挥你。
4. 完整的“闭环”逻辑图
这就是你之前觉得“流程不一样”的根本原因。现在你需要处理的是一个 “请求 - 拦截 - 执行 - 再请求” 的循环：
| 步骤 | 角色 | 动作 | 本质 |
|---|---|---|---|
| 1 | 用户 | 问：“现在 CPU 高吗？” | 触发意图 |
| 2 | LLM | 返回 tool_calls<br>（JSON 字符串） |
大脑决策（虚构调用） |
| 3 | 你的代码 | 解析 JSON，运行 psutil.cpu_percent() |
身体执行（真实动作） |
| 4 | 你的代码 | 把结果（如 95%<br>）发给 LLM |
反馈观察结果 |
| 5 | LLM | 返回“是的，负载很高，建议检查进程。” | 总结陈述 |
5. 总结：tool 到底是什么？
- 在
**client.create**里：它是一个 协议 (Protocol)。 - 在你的本地代码里：它是一个 功能 (Function)。
- 两者结合起来：才叫 智能体 (Agent)。
你的下一步：亲自拦截一次“虚假调用”
我们要不要做一个实验？
- 你定义一个
get_cpu_usage的tool参数发给百炼。 - 先不要写任何本地函数。
- 你问它：“帮我查下 CPU。”
- 然后你
print(response.choices[0].message)。
你会亲眼看到，AI 并没有报错，而是乖乖地返回了一串 JSON。看到那串 JSON 的那一刻，你就会瞬间明白：原来 AI 只是在给我下达“工单”！
你想看一眼如何捕捉并打印这个“工单”的代码吗？