一、核心认知：为什么 LLM Tools 是 Agent 的前奏？
在动手写代码前，先理清底层逻辑，避免只知其然不知其所以然：
- LLM 的「天生短板」与 Tools 的价值
大模型（如 DeepSeek、GPT）的优势是「理解自然语言 + 逻辑推理」，但存在 3 个致命局限：
- 无法获取实时数据（如股票收盘价、天气、新闻）；
- 不擅长精确计算（如复利、数据分析）；
- 不能直接操作外部系统（如调用 API、操作数据库、文件）。
而 LLM Tools 本质是「给大模型装「手脚」」：通过定义标准化工具函数 + 自然语言描述，让 LLM 理解「什么时候用工具」「怎么用工具」，从而突破原生能力边界 —— 这正是 Agent 的核心基础：Agent 之所以能「自主完成复杂任务」，本质是能根据目标自动选择工具、串联工具调用流程。
- Agent 与 LLM Tools 的关系（一张图看懂）
- 工具调用是 Agent 的「执行层」：Agent 负责「思考（规划任务）」，工具负责「做事（执行任务）」；
- 掌握 LLM Tools，就掌握了 Agent 开发的 80% 核心技能：后续只需补充「任务规划逻辑」「工具协同策略」，就能从「单工具调用」升级为「多工具自主协同」的 Agent。
二、开发准备：3 分钟搭建环境
- 开发环境选择：Jupyter Notebook（.ipynb）
为什么选它？
- 交互式编程：支持逐行运行代码，实时查看结果，适合调试工具调用逻辑；
- 混合文档与代码：可同时写注释、原理说明和代码，方便实验记录（大模型工具开发需要大量调试）；
- Python 生态友好：天生适配 API 调用、数据分析场景，与 ModelScope 无缝衔接。
- 核心依赖与平台
- ModelScope（魔搭平台）：阿里云开源模型平台，预装 OpenAI SDK（绝大多数大模型兼容此接口标准），无需手动配置复杂环境，直接调用 DeepSeek 等模型；
- OpenAI SDK：大模型 API 调用的「事实标准」，DeepSeek、通义千问、智谱等均兼容，学会后可无缝切换其他模型；
- DeepSeek 模型：主打「推理能力」，对工具调用的理解更精准，免费额度充足，适合开发测试。
- 打开 ModelScope 在线 Notebook：平台首页→开发空间→新建 Notebook（默认预装 Python 3.8+、OpenAI SDK）；
- 验证环境：运行以下代码，无报错则环境正常：
三、模块化开发：LLM Tools 核心架构（附完整代码）
工具调用的核心是「标准化 + 模块化」—— 模块化让代码可维护、可扩展，标准化让 LLM 能正确理解工具。我们拆分 3 个核心模块，各司其职：
- 模块化设计原则
- 分离关注点：一个模块干一件事（工具定义、工具实现、调用逻辑分离）；
- 高可扩展性：新增工具时，无需修改核心调用逻辑；
- 标准化接口：遵循 OpenAI 工具定义规范，降低 LLM 理解成本。
- 模块 1：工具定义（Tool Definition）
按 OpenAI 标准定义工具，告诉 LLM「工具名称、功能、参数格式」—— 这是 LLM 能否正确调用工具的关键！
- 模块 2：工具实现（Tool Implementation）
实现工具的具体逻辑（如调用接口、计算），与工具定义一一对应，可独立测试：
- 模块 3：核心调度逻辑（LLM + 工具调用）
负责与 DeepSeek 交互，解析 LLM 的工具调用请求，执行工具并返回结果 —— 核心中枢：
)
初始化 DeepSeek 客户端（兼容 OpenAI 接口）
client = OpenAI(
api_key="你的 DeepSeek API Key", # 替换为自己的 API Key
base_url="api.deepseek.com/v1" # DeepSeek API 地址
)
工具映射：将工具名称与实际函数关联（方便快速调度）
TOOL_MAP = {
"get_closing_price": get_closing_price,
"get_weather": get_weather,
"calculate_compound_interest": calculate_compound_interest
}
def call_llm(messages, tools=None, tool_choice="auto"):
"""
调用 DeepSeek 大模型
:param messages: 对话上下文（包含 user/assistant/system 角色）
:param tools: 工具定义列表
:param tool_choice: 工具调用策略（auto：LLM 自主选择；none：不调用；指定工具名：强制调用）
四、实战测试：4 个场景验证效果（复制即可运行）
在 Jupyter Notebook 中逐行运行以下代码，验证工具调用效果：
测试 1：调用股票工具（实时数据类）
测试股票收盘价查询
result = chat_with_tools("青岛啤酒的最新收盘价是多少？")
print(result)
输出结果：青岛啤酒的最新收盘价为 67.92 元。
测试 2：调用计算工具（精确计算类）
测试复利计算
result = chat_with_tools("我存 10 万元，年利率 3.5%，存 5 年，复利终值是多少？")
print(result)
输出结果：复利终值为：118768.63 元（本金：100000.0 元，年利率：3.5%，存款年数：5 年）
测试 3：多工具协同调用（Agent 雏形）
测试同时调用天气和股票工具
result = chat_with_tools("上海今天的天气怎么样？另外查一下贵州茅台的最新收盘价。")
print(result)
输出结果：上海今日天气为多云，23℃，东南风 2 级；贵州茅台的最新收盘价为 1785.00 元。
测试 4：无需工具的常识回答
测试不需要工具的问题
result = chat_with_tools("什么是 LLM Tools？它和 Agent 有什么关系？
