开源项目 12-Factor Agents - Principles for building reliable LLM applications 是一份为打造生产级智能体（AI Agent）应用而编写的设计指南12-Factor Agents：构建生产级 AI 智能体应用的设计指南。

• Factor 7：通过工具（Tools）实现 LLM 与人类的结构化交互

在构建AI智能体（智能体）时，我们常常面临一个核心挑战：如何让大型语言模型（LLM）在需要人类介入时，能够清晰、准确地“呼叫”人类，并获得结构化的反馈？传统的LLM交互方式，往往让这一过程充满了不确定性。AI 智能体构建 Factor 7 正是为了解决这一问题：通过工具（Tools）实现LLM与人类的结构化交互。

LLM 通过工具调用的形式，实现与人类的结构化交互：

一、LLM的“高风险”选择：文本还是数据？

想象一下，当一个 LLM 需要获取信息或请求决策时，它面临一个关键的“第一token”选择（that choice of first token）：是生成一段自然语言文本，还是生成一段结构化的数据（例如 JSON）？

🤔 传统困境：

• 生成文本： 如果LLM输出“东京的天气怎么样？”，这只是一个问题，后续需要复杂的自然语言处理来理解意图并触发相应操作。
• 生成结构化数据： 如果 LLM 直接输出一个 JSON 对象，例如{“tool”: “fetch_weather”, “location”: “Tokyo”}，那么它就明确地表达了意图，可以直接被系统解析和执行。

问题在于，LLM 在生成第一个token时，就必须做出这个“高风险”的决定。如果它一开始就选择了文本，后续再想转为结构化数据就变得困难。这就像在对话中，必须在说第一句话时就决定是提问还是下达指令，一旦说出口，就很难改变其性质。

二、破局之道：让LLM始终输出结构化意图

为了解决这个“高风险”选择，一种更健壮的策略是：让 LLM 始终输出结构化数据，并通过特定的“意图令牌”来声明其目的。

这意味着，即使LLM需要请求人类帮助，它也不会直接生成一段自由文本，而是会生成一个包含特定工具调用（如request_human_input）的JSON对象。这种方式有诸多优势：

• 明确性： 意图清晰，系统无需猜测。
• 可控性： 我们可以定义工具的参数，引导 LLM 提供所需信息。
• 可扩展性： 这种模式可以轻松扩展到其他工具调用，如done_for_now（表示当前任务完成）。

三、实践示例：request_human_input工具的构建与应用

这正是 The 12-Factor Agent 中 Factor 7 ——“通过工具与人联系”（Contact Humans with Tools）的核心思想。让我们通过一个简化的 Python 代码示例，来看看如何实现这一思想。

第一步：定义“联系人类”的工具

首先，我们需要定义一个结构化的工具，专门用于请求人类输入。这个工具就像一个标准的表格，LLM在需要帮助时会“填写”这张表格。

from typing import Literal, List, Dict, Any# 定义请求人类输入的工具结构class RequestHumanInput:    """一个标准化的工具，用于请求人类输入。"""    def __init__(self, question: str, context: str, urgency: Literal["low", "medium", "high"] = "medium"):        self.intent = "request_human_input"        self.question = question        self.context = context        self.urgency = urgency    def to_dict(self) -> Dict[str, Any]:        return self.__dict__

这段代码定义了一个RequestHumanInput类，它包含三个关键信息：

• question: 需要向人类提出的具体问题。
• context: 问题的背景信息，帮助人类理解状况。
• urgency: 问题的紧急程度。

第二步：模拟LLM发起工具调用

当智能体运行到需要人类决策的步骤时（例如，是否部署到生产环境），LLM不会输出一句模糊的话，而是会生成一个符合上述结构的JSON对象。

# 模拟LLM的输出def mock_llm_output() -> Dict[str, Any]:    """模拟LLM生成一个请求人类输入的工具调用。"""    request = RequestHumanInput(        question="是否确认部署后端 v1.2.3 到生产环境？",        context="这是一个生产环境部署，将影响线上用户。",        urgency="high"    )    return request.to_dict()# LLM生成的结构化输出llm_output = mock_llm_output()print("LLM输出的工具调用：", llm_output)

这清晰地表明了LLM的意图：它需要人类就“部署”这件事给出一个明确的答复。

第三步：智能体处理工具调用并与人交互

智能体系统接收到这个结构化的JSON后，就能精确地理解LLM的需求，并执行后续操作：通知人类，并等待反馈。

def notify_human(request_data: Dict[str, Any]):    """模拟通过Slack、邮件等方式通知人类。"""    print(f"\n🔔 通知人类：需要您的输入！ (紧急程度: {request_data['urgency']})")    print(f"   问题: {request_data['question']}")    print(f"   上下文: {request_data['context']}")def get_human_response() -> str:    """模拟等待并获取人类的回复。"""    print("...人类正在决策...")    # 在真实场景中，这里会是一个异步的等待过程    # 为简化示例，我们直接返回一个肯定的答复    return"yes"# 智能体的核心逻辑def run_agent_step(llm_output: Dict[str, Any]):    """智能体根据LLM的输出执行相应的步骤。"""    if llm_output.get("intent") == "request_human_input":        notify_human(llm_output)        response = get_human_response()        print(f"📩 收到人类回复: {response}")        # 智能体根据人类的回复，继续执行下一步        if response.lower() == "yes":            print("✅ 人类已确认，智能体继续执行部署任务...")            # 此处可以触发真正的部署脚本        else:            print("❌ 人类已拒绝，智能体终止操作。")    else:        # 如果是其他意图，则执行其他工具        print(f"⚙️ 智能体正在执行其他任务: {llm_output.get('intent')}")# 运行整个流程run_agent_step(llm_output)

通过这种方式，整个交互流程变得清晰、可控且可靠。

四、迈向更高级的“外循环智能体”

这种结构化的交互方式，不仅仅是技术上的优化，它为构建更高级的AI智能体——“外循环智能体”（Outer Loop Agents）——奠定了基础。

传统的AI交互（如聊天机器人）是“内循环”的，即“人类提问 -> AI回答”。而“外循环智能体”则具备主动性，它们可以在后台自主运行，由事件（如代码提交、监控警报）触发，在需要时主动通过工具“呼叫”人类。

第二代智能体 VS 第三代智能体：外循环智能体

第三代智能体：外循环智能体（outer-loop Agents）

• 在周围环境发生变化时，联系人类以传递最新的信息。
• 对于高风险操作，需要得到人类的批准
• 必要时，需要得到来自领域专家及其他同行的输入和反馈
• 能够识别出自己的能力边界，并在遇到无法独立解决的问题时，主动、有效地向人类求助。
• 人类能够随时介入（中断或重启正在进行中的操作）

正如文章：https://theouterloop.substack.com/p/openais-realtime-api-is-a-step-towards 所探讨的，OpenAI的实时API等技术正在推动这一变革。它们使得AI智能体能够与外部世界进行更流畅、更低延迟的交互。当智能体能够通过工具可靠地联系人类时，它就从一个被动的响应者，转变为一个主动的协作者，真正融入到我们的工作流中。

这种协作模式的强大优势

通过这种结构化的工具调用方式，LLM 与人类的协作将变得前所未有的高效和可靠。其带来的好处是多方面的：

• 🎯 指令清晰： 针对不同类型的人类交互，工具提供了更具体的指令，消除了模糊性。
• 🔄 内外循环协同： 支持“外循环智能体”的工作流，智能体可以主动请求人类输入，而非仅仅响应人类的聊天指令。
• 👥 多方人类协作： 能够轻松跟踪和协调来自不同人类的输入，通过结构化事件实现多方协作。
• 🤝 多智能体协同： 简单的抽象机制，可以轻松扩展到实现“智能体-智能体”之间的请求和响应。
• 🛡️ 持久化与可追溯： 结合状态管理，使得多步骤、多角色的工作流更加持久、可靠且易于审查。

结语

让 LLM 通过结构化工具调用与人类进行交互，不仅解决了“高风险”的输出格式选择问题（是输出文本还是结构化信息？），更开启了AI智能体与人类深度协作的新篇章。这不仅仅是技术上的优化，更是对未来智能系统设计理念的革新——让AI成为人类的得力助手，而非简单的问答机器。

以上是 AI 智能体应用的设计原则“Factor 7：通过工具（Tools）实现 LLM 与人类的结构化交互”的介绍。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？