多工具AI Agent实战——让大模型自动选择计算、天气、时间工具（Day13完整笔记）

Ypakye

210人浏览 · 2026-06-13 20:10:38

Ypakye · 2026-06-13 20:10:38 发布

今天学什么？

Day 12 你只有一个工具（calculate）。今天加到三个：

工具	大模型什么时候调	用到的之前知识
`calculate`	用户问数学题	Day 1 eval
`get_weather`	用户问天气	Day 6 API 调用
`get_current_time`	用户问时间	Day 8 time 模块

最终效果：用户问什么，大模型自动选最合适的工具。

用户："123×456等于多少？"   → 大模型选 calculate
用户："北京天气怎么样？"     → 大模型选 get_weather
用户："现在几点了？"        → 大模型选 get_current_time
用户："你好"              → 大模型不用工具，直接聊天

和 Day 12 的区别

Day 12（一个工具）	Day 13（三个工具 + 多轮对话）
只有 calculate	calculate + get_weather + get_current_time
问一次就结束	while 循环，可以一直问
if 判断一个函数	if-elif 判断多个函数

tools JSON 怎么写三个工具？

tools 是一个列表，每个元素是一个工具（一个字典）：

tools = [
    {   # 工具 1：calculate
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "计算数学公式，如 123*456 或 100+200",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {
                        "type": "string",
                        "description": "要计算的数学公式"
                    }
                },
                "required": ["expression"]
            }
        }
    },
    {   # 工具 2：get_current_time（无参数）
        "type": "function",
        "function": {
            "name": "get_current_time",
            "description": "获取当前时间，如现在几点了",
            "parameters": {
                "type": "object",
                "properties": {}   # 没有参数，空对象
            }
        }
    },
    {   # 工具 3：get_weather
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询城市天气，如北京今天天气怎么样",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，如北京、上海"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

记忆口诀：tools 是工具箱，每个 {} 是一把工具。加工具就是往工具箱里多放一把。

get_current_time 为什么没有参数？

因为 def get_current_time() -> str: 函数本身不需要参数，所以 properties 是空的 {}。

get_weather 的参数名为什么是 city 不是 expression？

因为函数签名是 def get_weather(city: str)，参数叫 city。tools 里的参数名必须和函数签名里的参数名一致。

三步之间的字段对应关系

tools 里你定义了什么	大模型返回了什么	你的代码读取什么
`name: "get_weather"`	`tool_call.function.name = "get_weather"`	`function_name`
`properties.city`	`tool_call.function.arguments = '{"city":"北京"}'`	`arguments["city"]`

完整代码

"""
Day 13：多工具 AI 个人助理
三个工具：计算、天气、时间
输入 q 退出
"""
import time, os
from dotenv import load_dotenv
import httpx
from openai import OpenAI


# -- 第 1 步：定义三个工具函数 --

def calculate(expression: str) -> str:
    """计算数学公式"""
    try:
        result = eval(expression)
        return str(result)
    except:
        return "计算错误"


def get_current_time() -> str:
    """获取当前时间"""
    return time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())


def get_weather(city: str) -> str:
    """查询城市天气"""
    load_dotenv()
    api_key = os.getenv("API_KEY")
    api_host = os.getenv("API_HOST")
    headers = {"X-QW-Api-Key": api_key}

    try:
        with httpx.Client() as client:
            geo_url = f"https://{api_host}/geo/v2/city/lookup?location={city}"
            geo_resp = client.get(geo_url, headers=headers)
            city_id = geo_resp.json()["location"][0]["id"]

            weather_url = f"https://{api_host}/v7/weather/now?location={city_id}"
            weather_resp = client.get(weather_url, headers=headers)
            data = weather_resp.json()

        return f"{city}：{data['now']['text']}，{data['now']['temp']}°C，体感{data['now']['feelsLike']}°C"
    except:
        return "天气查询失败"


# -- 第 2 步：定义 tools JSON --

tools = [
    {
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "计算数学公式，如 123*456 或 100+200",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {
                        "type": "string",
                        "description": "要计算的数学公式"
                    }
                },
                "required": ["expression"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "get_current_time",
            "description": "获取当前时间，如现在几点了",
            "parameters": {
                "type": "object",
                "properties": {}
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询城市天气，如北京今天天气怎么样",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，如北京、上海"
                    }
                },
                "required": ["city"]
            }
        }
    }
]


# -- 第 3 步：初始化客户端 --

load_dotenv()
client = OpenAI(
    api_key=os.getenv("LLM_API_KEY"),
    base_url=os.getenv("LLM_BASE_URL")
)

# -- 第 4 步：交互循环 --

messages = [
    {"role": "system", "content": "你是一个智能助手，可以帮用户计算数学题、查询天气、查看当前时间。请用中文回答。"}
]

print("AI 助手（输入 q 退出）")
print("=" * 40)

while True:
    user_input = input("\n你：")
    if user_input == "q":
        print("再见！")
        break

    messages.append({"role": "user", "content": user_input})

    # 第一次调用 API：让大模型决定是否调用工具
    response = client.chat.completions.create(
        model="mimo-v2.5-pro",
        messages=messages,
        tools=tools
    )
    message = response.choices[0].message

    # 如果大模型要调用工具
    if message.tool_calls:
        messages.append(message)

        for tool_call in message.tool_calls:
            function_name = tool_call.function.name
            arguments = eval(tool_call.function.arguments)

            if function_name == "calculate":
                result = calculate(arguments["expression"])
            elif function_name == "get_weather":
                result = get_weather(arguments["city"])
            elif function_name == "get_current_time":
                result = get_current_time()
            else:
                result = "未知工具"

            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": result
            })

        # 第二次调用 API：大模型基于工具结果生成自然语言回答
        final_response = client.chat.completions.create(
            model="mimo-v2.5-pro",
            messages=messages
        )
        print(f"AI：{final_response.choices[0].message.content}")
        messages.append(final_response.choices[0].message)

    # 如果大模型不需要调用工具（直接聊天）
    else:
        print(f"AI：{message.content}")
        messages.append(message)

完整数据流图

用户："北京天气怎么样"
    ↓
messages.append({"role": "user", ...})
    ↓
第一次调 API：messages + tools → 发给大模型
    ↓
大模型返回：tool_calls = [{name: "get_weather", arguments: '{"city":"北京"}'}]
    ↓
你的代码读取：function_name = "get_weather"，arguments = {"city": "北京"}
    ↓
if-elif 分发：get_weather("北京") → "北京：晴，25°C，体感27°C"
    ↓
messages.append({"role": "tool", "content": "北京：晴，25°C..."})
    ↓
第二次调 API：messages（含工具结果）→ 发给大模型
    ↓
大模型回答："北京今天天气晴朗，温度25°C，体感27°C，适合出门！"
    ↓
用户看到最终回答

你踩过的坑

坑 1：required 放在了 properties 里面

# ❌ required 在 properties 里面，大模型收不到
"properties": {
    "expression": {"type": "string", "description": "..."},
    "required": ["expression"]    # 错！
}

# ✅ required 和 properties 同级
"properties": {
    "expression": {"type": "string", "description": "..."}
},
"required": ["expression"]    # 对！

坑 2：用户输入用了 “system” 角色

# ❌ 用户输入当成系统指令发了
messages.append({"role": "system", "content": user_input})

# ✅ 用户输入必须用 "user" 角色
messages.append({"role": "user", "content": user_input})

这是最关键的 bug。 用了 system 角色，大模型以为是"系统设定"而不是"用户问题"，所以不调用工具，直接用聊天回答。

坑 3：message 写成了 messages（复数）

# ❌ messages（复数）不存在
message = response.choices[0].messages

# ✅ message（单数）
message = response.choices[0].message

坑 4：function_name 写成了 function.name

# ❌ 下划线写法（不存在）
function_name = tool_call.function_name

# ✅ 点号写法
function_name = tool_call.function.name

坑 5：arguments 读取错误

# ❌ function.parameters 不存在
arguments = eval(tool_call.function.parameters)

# ✅ 正确的属性名是 arguments
arguments = eval(tool_call.function.arguments)

坑 6：get_current_time 加了多余的参数

函数本身不需要参数，但 tools 里给它加了 expression 参数。正确写法是 properties: {} 空对象。

坑 7：get_weather 参数名写成 expression

函数签名是 def get_weather(city: str)，参数叫 city。tools 里的参数名必须和函数签名一致。

你问过的好问题

Q1：tools JSON 里多个工具是增加 function 还是增加 tools？
→ 增加 tools 列表里的元素。tools 是工具箱，每个 {} 是一把工具。

Q2：tools 里的 expression 参数是从哪里拿到的？
→ 大模型自己从用户的问题里"理解"出来的。你在 description 里写清楚参数是什么意思，大模型就会自动填值。

Q3：if-elif 分发是在 while 循环外面还是里面？
→ 里面。while 外面是初始化（client、messages、tools），while 里面是每轮对话的完整流程。

Q4：geo_url 那种 URL 是固定的吗？
→ 不是 Python 语法，是和风天气官方 API 文档规定的地址。每个 API 都有自己的 URL 格式，看文档才知道怎么拼。

Q5：第一次调用 API 怎么知道返回数据的结构？
→ 先 print(data) 看原始 JSON 长什么样，再写提取代码。这是调任何新 API 的标准流程。

概念速查表

概念	一句话理解
Function Calling	让大模型能调用你写的 Python 函数
tools	工具箱，告诉大模型有哪些工具可用
name	工具名，必须和 Python 函数名一致
description	工具描述，大模型根据这个决定什么时候调用
properties	函数参数定义，告诉大模型需要传什么参数
required	哪些参数是必填的
tool_calls	大模型返回的调用指令
role: “user”	用户输入必须用这个角色
role: “system”	系统设定，不是用户问题
role: “tool”	工具执行结果

Day 1-13 串联回顾

Day 1-2   猜数字 / 学生管理      → Python 基础语法
Day 3     文件 I/O + JSON        → 数据持久化
Day 4     面向对象 class          → 代码结构化
Day 5     argparse               → 命令行参数
Day 6     API 调用               → 连接互联网
Day 7     异步编程               → 提升性能
Day 8     高级特性               → 代码简化
Day 9     类型提示 + Pydantic    → 数据校验
Day 10    FastAPI                → 变成 Web 服务
Day 11    LLM API + Prompt       → 调用大模型
Day 12    Function Calling       → 让大模型调用函数
Day 13    多工具 Agent           → 三个工具 + 多轮对话 ← 你在这里

从猜数字到多工具 AI Agent，你只用了 13 天。

一句话总结

多工具 Agent = 多个函数 + tools 列表 + if-elif 分发 + while 循环。

大模型是"大脑"（决定调哪个工具），你的代码是"手脚"（执行函数）。

Day 1-12 的知识全都用上了：循环判断、API 调用、时间模块、LLM API、Function Calling——Day 13 是所有技能的汇聚点。

本文是 Python 熟练度特训 Day 13 的笔记。Phase 2（AI 核心技能）进入 Agent 实战阶段。