——让 Agent 从“会说话”变成“能行动”

你无法靠 Prompt 做出一个强大智能体。
真正的智能体不是靠“生成文本”，而是靠“调用工具实现行动”。

智能体的核心能力，可以一句话总结

LLM = 大脑（推理）
Tools = 四肢（行动）
Memory = 经验（长期能力）

当你的 Agent 拥有工具库以后，它才真正做到：

• 会访问 API
• 会调用系统函数
• 会读写文件
• 会调度任务
• 会执行流程
• 会检索知识
• 会处理复杂业务逻辑
• 会控制真实世界的应用

今天这一篇，我们讲透：

• 为什么工具是智能体的核心能力？
• 工具库的工程化设计原则
• 如何设计一个“可扩展的 Tooling Framework”
• 如何让 LLM 正确调用工具？
• 如何避免工具调用错误、参数错乱？
• 如何构建“工具路由器”（Tool Router）
• 如何做 Tool 的观测系统（Monitoring）
• 20 个通用工具模板（可直接用）

内容密度非常高。

01｜为什么说 Tools 是智能体的“行动能力”？

今天所有强大的智能体（OpenAI GPTs、Claude Projects、LangChain Agents、AutoGPT、Devin）都有一个共同点：

他们的核心不是提示词，而是“让模型具备可控的行动能力”。

离开工具库的模型：

• 只能写文字
• 不能读文件
• 不能访问网络
• 不能调用 API
• 不能操作系统
• 不能执行任务

你会得到：
❌ “会说话的 ChatGPT”

而不是
✔ “可执行的智能体系统”
而工具（Tools）是什么？是智能体的“手”和“脚”。

Tools = 命令行指令 + API + 脚本 + 功能模块

02｜Tooling Engineering 的 6 条铁律

要做出可扩展的工具系统，你必须遵守这 6 条行业标准：

铁律 1：每个 Tool 都必须是“原子能力”（Atomic Tool）

• ❌ 大工具合并成一个巨型工具
• ✔ 工具拆分为小的、独立的、可组合的能力

例如：

❌ 写一个工具：分析文章+生成标题+写大纲（太大）
✔ 拆分成 3 个工具：
 - analyze_text
 - generate_title
 - generate_outline

LLM 非常擅长组合小工具，不擅长操控大工具。

铁律 2：输入输出必须严格结构化（Schema First）

以下是错误示例：

输入：随便你写  
输出：模型自己发挥

以下是正确示例：

{
  "tool_name": "write_file",
  "arguments": {
     "path": "string",
     "content": "string"
  }
}

Schema 让模型的“工具调用准确率”提升 5–20 倍。

铁律 3：每个工具必须返回 success / error

必须统一格式：

{
  "success": true | false,
  "error": "",
  "data": { ... }
}

否则：

• 模型不知道失败
• 会继续沿着错误结果推理
• 越跑越偏

这是行业通用规范（OpenAI Tools / Anthropic Tools / LangChain 的标准）。

铁律 4：工具必须可观测（Logging + Tracing）

智能体系统的 70% bug 都来自工具调用。

必须记录：

• 调用了哪一个工具
• 参数是什么
• 返回值是什么
• 执行时间
• 是否失败
• 失败原因

这可以大幅降低调试成本。

铁律 5：必须有 Tool Router（工具路由器）

模型不应该直接决定“调用哪个工具”，应该：由一个 Router 判断 → 再派发给模型。类似于：

用户需求 → 工具路由器（分类器） → 正确的工具 → 模型处理结果

提升准确率：

• 小模型 Router → 判断工具类型
• 大模型（LLM）→ 填充参数

这是 OpenAI 的正式做法（Tool Choice 分层设计）。

铁律 6：工具必须可扩展（Plug-and-Play）

新增一个工具不能让你改整个系统。
必须做到：

• 工具热插拔
• 新增工具 5 分钟完成
• 不影响已有功能

这就是 Tooling Framework 的目标。

03｜Tooling Framework 的工程结构（可直接复用）

这是最推荐的结构：

/tools
  /system
     file_read.py
     file_write.py
     list_dir.py
  /network
     fetch.py
     http_get.py
     http_post.py
  /nlp
     text_split.py
     text_summarize.py
  /workflow
     run_pipeline.py
     schedule_job.py
  /custom
     gen_outline.py
     gen_title.py
tool_registry.py
tool_router.py
schemas.py
核心组件：
 - tool_xxx.py（单工具）
 每个工具 = 一个文件 = 一个功能
 - schemas.py（工具 schema）
 所有工具参数说明
 - tool_registry.py（注册工具）
 工具库的统一入口
 - tool_router.py（路由器）
 决定 invoke 谁

这套结构在生产级 Agent 系统中使用最广。

04｜如何让 LLM 正确调用工具？（最关键）

模型最大的问题：

• 容易 hallucinate 参数
• 容易忘记字段
• 容易多加 / 少加参数
• 容易搞错类型

最佳实践：

① 使用 JSON Schema（OpenAI 官方推荐）

例如：

{
  "type": "object",
  "properties": {
     "query": { "type": "string" },
     "max_tokens": { "type": "number" }
  },
  "required": ["query"]
}

有 schema → 错误率降低 80%。

② 步骤化调用（先选工具 → 再填参数）

像这样：

Step 1：请选择你要用的工具（不填参数）
Step 2：根据工具给出字段填写参数
Step 3：执行工具

组合准确率最高。

③ 工具调用后自动“结果检查”

必须让模型检查：

• 工具成功了吗
• 多轮调用是否有冲突
• 参数是否一致
  示例：

如果工具返回 success = false，必须进行错误分析并重新规划。

这叫：Tool Reflexion（工具自反）让 Agent 永远不会在错误工具结果基础上推理。

05｜20 个高价值的通用工具模板

下面这一套你可以直接放进自己的智能体产品。

系统级工具（System）

• read_file
• write_file
• list_files
• append_file
• delete_file（带安全限制）

网络工具（Network Tools）

• http_get
• http_post
• search_web（如果允许）

文本处理工具（NLP Tools）

• text_split
• text_summarize
• text_extract
• classify_text

知识类工具（Knowledge Tools）

• retrieve_docs（向量检索）
• list_collections
• query_database

自动化 & 工作流类工具（Workflow Tools）

• run_task
• schedule_task
• execute_pipeline

调试 & 安全工具（Debug）

• tool_log
• check_schema

把这 20 个基础工具加好，你的 Agent 基础能力已经比大多数人做的强 10 倍。

06｜如何为“文章生产智能体”设计工具库？

A. 内容结构工具

• generate_outline
• generate_sections
• analyze_paragraph
• rewrite_with_constraints
• expand_bullet_points

B. 资料检索工具

• search_web（如果平台允许）
• retrieve_notes（你本地知识库）
• get_reference（相关文章）

C. 文件工具

• write_markdown
• save_to_folder
• export_pdf
• export_md

D. 视频脚本工具（未来用）

• generate_shorts_script
• generate_long_video_script
• rewrite_as_dialogue

E. 运营工具（跨平台发布）

• clean_html
• auto_format_markdown
• extract_title/summary

组合起来：你未来完全可以做一个：“一键生成文章体系”的智能体。

07｜完整的 Tooling Prompt

你是一名专业的工具调度 Agent。调用工具前，必须遵守以下步骤：

• 工具选择阶段：只输出工具名称（不带参数）
• 参数填写阶段：严格按照工具 schema 填写
• 工具执行阶段：输出工具调用对象
• 校验阶段：
• 若 success = false，必须分析错误，重新规划
• 若 success = true，继续执行下一步

这套 Prompt 能让模型的工具调用稳定性提升 3–5 倍。

---

Tooling 是 Agent 的真正核心竞争力智能体行业目前很容易陷入一种误区：
“搞大模型 = 写 Prompt”
事实上真正区分“玩具 Demo”和“工程级智能体”的，是：

• Tooling（工具体系）
• Memory（记忆体系）
• Workflow（任务调度）
• Self Correction（自反机制）

今天你已经拿到其中最重要的一块：让智能体获得真正行动能力的 Tooling Engineering 方法论