章末自测
题目 1:为什么直接在 Agent Engine 中 import OpenAI SDK 是一种强耦合? 假设 AgentEngine.run() 内部直接创建 OpenAI Client、发请求、读取原始 Response 字段。请说明未来切 Clau...
第2部分:让 Agent 长出“手脚” Tool Calling 到底是怎么回事?
上一部分我们已经把 Agent 最基础的骨架搭好了: 为什么需要 Agent ↓ Main Loop ↓ Agent State ↓ LLM Provider 现在开始进入第2部分:让 Agent 长出“手脚”。 如果 Agent 只能和用户聊天,...
核心小节一:Function Calling 到底是什么——模型只是生成“可执行意图”
先从最简单的例子开始。 假设我们有一个 Python 函数: def read_file(path: str) -> str: with open(path, 'r', encoding='utf-8') as file: return file.read() 普通模型可能回答: 我建议先...
核心小节二:Harness 真正要做什么——解析、查找、校验、执行,一个都不能少
现在我们已经有: { 'name': 'read_file', 'arguments': { 'path': 'app.py' } } 接下来 Harness 要干什么? 最简单的链路就是: 解析 JSON ↓ 寻找函数 ↓ 参数校验 ↓ 执行函数 ↓ 返回结果 ...
小节三:把 Tool Calling 接回 Main Loop——Agent 为什么终于可以连续“做事”了?
现在把前几节串起来。 我们已经有: Main Loop State Provider Tool Executor 接下来真正的 Agent Loop 应该长这样: while True: response = provider.chat( state.messages, tools=tool_schem...
小节四:Tool Calling 真正容易踩坑的地方——不是“会不会调用”,而是“能不能可靠执行”
很多 Demo 做到: 模型会输出 Tool Call 就结束了。 但真实工程最难的是,Tool Call 能不能被可靠执行。 至少有六类问题。 先把常见问题集中看一眼,会更容易建立排查顺序。很多时候不是 Tool C...
案例分析二:Data Analysis Agent 生成查询动作,为什么 Tool Calling 比直接生成 SQL 更好控制?
这个案例最适合用对比图来看。因为一旦把“直接给 SQL”与“先产生受控查询动作”并排摆出来,安全边界和工程治理的差别会一下子清楚很多。 换句话说,Tool Calling 的价值并不只是让模型输出得...
章末自测
题目 1:为什么说“大模型没有真的执行函数”? 假设模型返回 read_file(path='app.py'),请从模型输出、Harness、Python 运行时、真实环境四个层次解释整个过程,并说明如果 Harness 拒绝...
自己实现 Tool Registry
上一节我们已经把 Tool Calling 的边界讲清楚了。 模型输出: { 'name': 'read_file', 'arguments': { 'path': 'app.py' } } 并不意味着文件已经被读取。 真正的链路是: 模型产生 Tool Call ↓...
核心小节一:为什么一定要有 Registry——从“函数集合”升级成“Agent 能力目录”
先从最简单的写法开始。 假设现在有三个工具: def read_file(path: str) -> str: return f'读取文件:{path}' def write_file(path: str, content: str) -> str: return f'写入文件:{path}' d...












