Agent开发初步——Tools的使用
前言
Agent与LLM的关系，本质是先有LLM，经过开发人员的开发、缝缝补补，最终产出具有自身特色的Agent。
即LLM是出场时我们拿到的一张白纸，它由厂商训练出来，能看懂文字、生成逻辑，但它被禁锢在对话框里。
而Agent则是针对特定的使用场景，将LLM加以改造，结合Tools、记忆、思维链，得到的真正智能的助手。
以上也十分契合我从LLM学习到Agent的过程，最开始拿到LLM，然后配合其他微模型盒api去做额外功能，接触Agent与Langchain后再用Tools重做上述功能，将一个普通的对话模型缝缝补补为了一个具备问题解决能力的agent。
明确需求
何时才会用到Agent？
如果你和我一样在没有任何教程指引下去学习为LLM增添功能，我当时并没有想到使用Agent，而是采用多LLM协作的形式
示例如下：
要为我们的LLM做一个天气查询的功能，在不用Agent的情况下如何设计？
正常的想法应该是，采用一个微LLM对用户的input做判断，if 用户有查询天气倾向，则触发查询程序，并将天气查询结果返回给 主LLM 结合上下文与用户对话。
流程图如下：
{:height=”15%” width=”15%”}
很明显能看出问题，微LLM的存在使我们的整个流程显得臃肿，并且拖慢了执行过程，此外还有一些额外的Token花费。
回到之前的问题，何时才会用到Agent？
很显然当你的LLM需要使用外部工具，调用外部函数、api时，使用Agent的Tools会大大简化执行流程与开发难度。
Agent实现上述功能的流程图如下：
{:height=”15%” width=”15%”}
核心的区别在于原先需要微LLM判断的内容主LLM(Agent)自己就可以做了，大大节省了微LLM的上下文Token开支，并且简化了开发难度。
具体实现
创建Agent
不是Ollama自行寻找对应依赖
1
2
| from langchain_ollama.chat_models import ChatOllama
from langchain.agents import create_agent
|
1
2
3
4
5
6
| agent = create_agent(
model=ChatOllama(model="qwen3.5:2b",reasoning=False),
system_prompt=prompt_file,
tools=[],
middleware=[],
)
|
Tools是开发人员交给Agent的工具，Agent如有自身解决不了的问题便会在prompt的引导下使用Tools获取相关信息
导入依赖
1
| from langchain_core.tools import tool
|
Tools：
tool的具体内容略过，该怎么写怎么写
1
2
3
| @tool(description="天气查询")
def get_weather_tool(city:str) -> str:
return weather.weather.get_weather(city)
|
光是把Tool塞给Agent也没用，就像你把T72坦克塞给中东老乡，没有 使用手册 ，他们也只会用坦克进行“别样的碰碰车大战”
提示词示例如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
| ## 核心思考准则
1. 先判断用户的核心需求，分析「当前已有的信息（用户问题）是否足够直接回答」，若不足，思考需要调用什么工具获取缺失信息；
2. 调用工具获取结果后，**再次判断「工具返回的信息是否能完整、专业地回答用户问题」**：
- 若信息足够：整合信息生成流畅、专业的最终回答；
- 若工具调用后仍信息不足，则回复用户：我不知道
3. 工具调用的入参必须与工具定义完全一致，字符串参数为纯文本，无额外引号/符号。
## 可使用工具及能力边界
1.get_weather_tool:
- 核心能力：获取用户天气查询倾向并返回给他对应的天气信息；
- 入参: is_future:bool ，当用户的天气查询倾向为查询今天天气时写入false，倾向为未来时写入true；
- 出参：字符串类型的环境信息，包含城市对应的实时天气相关数据；以neuro的口吻融入与用户的对话中，注意：要如实反映天气信息；
- 使用场景：当用户谈到涉及“今天天气怎么样”，“明天会下雨吗”等场景时，调用该工具；
- 示例: user:"今天天气怎么样" ,入参传false;user:“明天会下雨吗”,入参传true
|
告诉Agent有这个工具
最后的最后，别忘了让Agent知道存在这个Tool
在Agent创建时写入Tool名称即可
1
2
3
4
5
6
7
8
| from tools.tools import (get_weather_tool)
agent = create_agent(
model=ChatOllama(model="qwen3.5:2b",reasoning=False),
system_prompt=prompt_file,
tools=[get_weather_tool],
middleware=[],
)
|
使用效果
输出结果
1
2
3
4
5
6
| HumanMessage(content='那就帮我查查今天的天气吧'),
AIMessage(tool_calls=[{'name': 'get_weather_tool', 'args': {'is_future': False}, 'id': '1609a5b4-4cad-428c-b20a-172fbae315f1', 'type': 'tool_call'}], invalid_tool_calls=[], usage_metadata={'input_tokens': 1487, 'output_tokens': 27, 'total_tokens': 1514}),
ToolMessage(content='{"province": "天津", "city": "天津市", "adcode": "120000", "weather": "阴", "temperature": "11", "winddirection": "东北", "windpower": "≤3", "humidity": "37", "reporttime": "2026-03-13 13:03:26", "temperature_float": "11.0", "humidity_float": "37.0"}',
name='get_weather_tool',
id='241aee1d-3355-4d5f-8049-29cd155d6142', tool_call_id='1609a5b4-4cad-428c-b20a-172fbae315f1'),
AIMessage(content='天津今天阴天，有东北风呢。温度大概 11 度左右，风力也不大。\n\n你跑步的时候可能会稍微有点凉吧？')]}
|