作为开发者，你是否曾困惑：
为什么大模型能查股票价格、查天气？
一个只会“词语接龙”的概率模型，怎么突破虚拟限制调用外部工具？
明明训练数据里没有实时数据，却能返回精准的股票收盘价？
这篇文章，我会用可直接运行的Node.js代码，拆解LLM工具调用的底层逻辑，从0到1实现股票价格查询的工具调用，让你彻底搞懂：
- 工具调用不是“黑魔法”，而是精心设计的交互流程
- 如何用JSON Schema给大模型“植入工具认知”
- 传统代码如何和大模型协作完成任务
一、核心认知：LLM本质是“缸中大脑”
先打破一个误区：大模型没有自我意识。
它本质上只是一个“Next Token Prediction”（下一个词预测）的概率模型，像被困在服务器里的“缸中大脑”——看不见屏幕、摸不到键盘，只能处理文本。
工具调用的核心，是把复杂的软件函数（比如查股票价格），降维成大模型能理解的自然语言说明书，再通过传统代码执行工具逻辑，最后把结果返回给大模型生成最终回答。
二、实战场景：实现股票收盘价查询工具调用
我们以“查询青岛啤酒收盘价”为例，完整实现一次LLM工具调用流程，技术栈：
- Node.js + dotenv（环境变量管理）
- OpenAI SDK（兼容DeepSeek API）
- 自定义工具函数 + 大模型交互逻辑
步骤1：环境准备与依赖安装
首先初始化项目，安装所需依赖：
# 初始化package.jsonnpminit-y# 安装依赖npminstallopenai dotenv步骤2：完整可运行代码
创建index.js文件，复制以下代码（记得配置.env文件）：
importOpenAIfrom'openai';importdotenvfrom'dotenv';dotenv.config();// 初始化DeepSeek客户端（兼容OpenAI SDK）constclient=newOpenAI({apiKey:process.env.DEEPSEEK_API_KEY,baseURL:process.env.DEEPSEEK_BASE_URL});// 1. 定义工具（给大模型的"使用说明书"）consttools=[{"type":"function","function":{"name":"get_closing_price","description":"获取指定股票的收盘价",// 描述必须清晰，影响大模型决策"parameters":{"type":"object","properties":{"name":{"type":"string","description":"股票名称，例如：青岛啤酒、贵州茅台"}},"required":["name"]// 必传参数，约束大模型调用格式}}},{type:'function',function:{name:'get_weather',description:'获取指定城市的天气',parameters:{type:'object',properties:{city:{type:'string',description:'城市名称，例如：上海、北京'}},required:['city']}}}];// 2. 传统软件逻辑：实现工具函数（真实场景可替换为API调用）functionget_closing_price(name){if(name==='青岛啤酒'){return'67.92';}elseif(name==='贵州茅台'){return'1488.21';}else{return'未找到该股票';}}// 3. 封装大模型调用函数asyncfunctionsendMessage(messages){constres=awaitclient.chat.completions.create({model:'deepseek-v4-pro',// 替换为你使用的模型messages,tools,// 传入工具定义tool_choice:'auto'// 让大模型自动决定是否调用工具});returnres;}// 4. 核心交互逻辑asyncfunctionmain(){// 初始化对话上下文letmessages=[{role:'user',content:'青岛啤酒的收盘价是多少？'}];// 第一次调用大模型：判断是否需要调用工具constresponse=awaitsendMessage(messages);constmessage=response.choices[0].message;console.log('模型返回message 对象',JSON.stringify(message));// 将大模型的响应加入上下文messages.push({role:message.role,content:message.content,tool_calls:message.tool_calls});// 关键判断：如果大模型返回了工具调用指令if(response.choices[0].message.tool_calls){consttoolCall=response.choices[0].message.tool_calls[0];// 处理股票价格查询工具if(toolCall.function.name==='get_closing_price'){// 解析大模型传递的参数constargs=JSON.parse(toolCall.function.arguments);// 执行传统工具函数，获取结果constprice=get_closing_price(args.name);console.log('股票收盘价',price);// 将工具执行结果加入上下文（关键：返回给大模型）messages.push({role:'tool',// 标记为工具返回结果content:price,tool_call_id:toolCall.id// 通过ID关联工具调用});console.log('更新后完整对话上下文:',messages);// 第二次调用大模型：基于工具结果生成最终回答constfinalRes=awaitsendMessage(messages);console.log('最终模型返回:',finalRes.choices[0].message.content);}elseif(toolCall.function.name==='get_weather'){// 扩展：天气查询工具逻辑（可自行实现）}}}// 执行主函数main();步骤3：配置环境变量
创建.env文件，填入你的DeepSeek API信息：
DEEPSEEK_API_KEY=你的DeepSeek API密钥 DEEPSEEK_BASE_URL=DeepSeek API的baseURL（例如：https://api.deepseek.com/v1）步骤4：运行代码
nodeindex.js运行后你会看到：
- 大模型先返回工具调用指令（而非直接回答）
- 代码执行
get_closing_price函数获取价格 - 工具结果返回给大模型
- 大模型生成最终的自然语言回答
三、关键拆解：工具调用的3个核心阶段
1. 认知植入：把工具“翻译”成大模型能懂的语言
代码里的tools数组，就是给大模型的“工具使用说明书”，核心是JSON Schema：
name：工具函数名（唯一标识）description：工具用途（大模型靠这个判断是否调用）parameters：参数约束（类型、描述、必传项）
⚠️ 踩坑提醒：
- 描述越具体，大模型调用越精准！比如把“股票名称”改成“股票名称，例如：青岛啤酒、贵州茅台”，能大幅降低参数错误率。
- 参数约束必须严格（比如
required），否则大模型可能漏传参数。
2. 决策阶段：大模型判断是否调用工具
当用户提问“青岛啤酒的收盘价是多少？”，大模型会：
- 检查自身训练数据：没有实时股票数据，无法直接回答
- 匹配工具列表：发现
get_closing_price工具能解决这个问题 - 返回
tool_calls字段：包含要调用的工具名、参数、唯一ID
3. Runtime介入：传统代码执行工具逻辑
这是最关键的“人类兜底”环节：
- 代码解析
tool_calls里的指令 - 调用对应的传统函数（
get_closing_price） - 获取结果后，把结果以
role: tool的形式加入对话上下文 - 再次调用大模型，让它基于工具结果生成自然语言回答
四、踩坑提醒（避坑指南）
工具描述模糊导致调用失败
❌ 错误示例：description: "查股票价格"
✅ 正确示例：description: "获取指定A股股票的当日收盘价，参数为股票全称"参数解析异常
大模型返回的arguments是字符串，必须用JSON.parse解析，建议加try-catch：letargs;try{args=JSON.parse(toolCall.function.arguments);}catch(e){console.error('参数解析失败:',e);args={};}上下文管理混乱
每次交互都要把大模型响应、工具结果加入messages数组，否则大模型会“失忆”，无法关联工具结果生成回答。API兼容问题
不同厂商的LLM API（如DeepSeek、OpenAI）对tool_calls的格式略有差异，需根据文档调整。
五、总结
工具调用的本质，是LLM的语言能力 + 传统代码的执行能力的结合：
- 用JSON Schema给大模型“植入工具认知”
- 大模型做“决策”：判断是否调用工具、传什么参数
- 传统代码做“执行”：调用工具、获取结果
- 大模型做“总结”：把工具结果转换成自然语言回答
这套逻辑不仅适用于股票查询，还能扩展到天气查询、Excel分析、网页搜索等场景——这也是AI Agent的核心基础。
最后
本文的完整源码（包含天气查询工具的扩展实现）已整理好，你可以查看仓库获取：[完整源码地址]（替换为你的源码地址，若无则注明“私信我获取完整源码”）。
掌握工具调用后，你可以解锁更多场景：让大模型调用API查实时数据、操作数据库、甚至控制硬件设备——这才是AI落地的核心能力。
如果这篇文章对你有帮助，欢迎点赞+收藏，后续会更新“AI Agent操作本地文件”“多工具串联调用”等实战内容！# 告别LLM能力边界！30分钟掌握AI工具调用核心逻辑
作为开发者，你是否曾困惑：
为什么大模型能查股票价格、查天气？
一个只会“词语接龙”的概率模型，怎么突破虚拟限制调用外部工具？
明明训练数据里没有实时数据，却能返回精准的股票收盘价？
这篇文章，我会用可直接运行的Node.js代码，拆解LLM工具调用的底层逻辑，从0到1实现股票价格查询的工具调用，让你彻底搞懂：
- 工具调用不是“黑魔法”，而是精心设计的交互流程
- 如何用JSON Schema给大模型“植入工具认知”
- 传统代码如何和大模型协作完成任务
一、核心认知：LLM本质是“缸中大脑”
先打破一个误区：大模型没有自我意识。
它本质上只是一个“Next Token Prediction”（下一个词预测）的概率模型，像被困在服务器里的“缸中大脑”——看不见屏幕、摸不到键盘，只能处理文本。
工具调用的核心，是把复杂的软件函数（比如查股票价格），降维成大模型能理解的自然语言说明书，再通过传统代码执行工具逻辑，最后把结果返回给大模型生成最终回答。
二、实战场景：实现股票收盘价查询工具调用
我们以“查询青岛啤酒收盘价”为例，完整实现一次LLM工具调用流程，技术栈：
- Node.js + dotenv（环境变量管理）
- OpenAI SDK（兼容DeepSeek API）
- 自定义工具函数 + 大模型交互逻辑
步骤1：环境准备与依赖安装
首先初始化项目，安装所需依赖：
# 初始化package.jsonnpminit-y# 安装依赖npminstallopenai dotenv步骤2：完整可运行代码
创建index.js文件，复制以下代码（记得配置.env文件）：
importOpenAIfrom'openai';importdotenvfrom'dotenv';dotenv.config();// 初始化DeepSeek客户端（兼容OpenAI SDK）constclient=newOpenAI({apiKey:process.env.DEEPSEEK_API_KEY,baseURL:process.env.DEEPSEEK_BASE_URL});// 1. 定义工具（给大模型的"使用说明书"）consttools=[{"type":"function","function":{"name":"get_closing_price","description":"获取指定股票的收盘价",// 描述必须清晰，影响大模型决策"parameters":{"type":"object","properties":{"name":{"type":"string","description":"股票名称，例如：青岛啤酒、贵州茅台"}},"required":["name"]// 必传参数，约束大模型调用格式}}},{type:'function',function:{name:'get_weather',description:'获取指定城市的天气',parameters:{type:'object',properties:{city:{type:'string',description:'城市名称，例如：上海、北京'}},required:['city']}}}];// 2. 传统软件逻辑：实现工具函数（真实场景可替换为API调用）functionget_closing_price(name){if(name==='青岛啤酒'){return'67.92';}elseif(name==='贵州茅台'){return'1488.21';}else{return'未找到该股票';}}// 3. 封装大模型调用函数asyncfunctionsendMessage(messages){constres=awaitclient.chat.completions.create({model:'deepseek-v4-pro',// 替换为你使用的模型messages,tools,// 传入工具定义tool_choice:'auto'// 让大模型自动决定是否调用工具});returnres;}// 4. 核心交互逻辑asyncfunctionmain(){// 初始化对话上下文letmessages=[{role:'user',content:'青岛啤酒的收盘价是多少？'}];// 第一次调用大模型：判断是否需要调用工具constresponse=awaitsendMessage(messages);constmessage=response.choices[0].message;console.log('模型返回message 对象',JSON.stringify(message));// 将大模型的响应加入上下文messages.push({role:message.role,content:message.content,tool_calls:message.tool_calls});// 关键判断：如果大模型返回了工具调用指令if(response.choices[0].message.tool_calls){consttoolCall=response.choices[0].message.tool_calls[0];// 处理股票价格查询工具if(toolCall.function.name==='get_closing_price'){// 解析大模型传递的参数constargs=JSON.parse(toolCall.function.arguments);// 执行传统工具函数，获取结果constprice=get_closing_price(args.name);console.log('股票收盘价',price);// 将工具执行结果加入上下文（关键：返回给大模型）messages.push({role:'tool',// 标记为工具返回结果content:price,tool_call_id:toolCall.id// 通过ID关联工具调用});console.log('更新后完整对话上下文:',messages);// 第二次调用大模型：基于工具结果生成最终回答constfinalRes=awaitsendMessage(messages);console.log('最终模型返回:',finalRes.choices[0].message.content);}elseif(toolCall.function.name==='get_weather'){// 扩展：天气查询工具逻辑（可自行实现）}}}// 执行主函数main();步骤3：配置环境变量
创建.env文件，填入你的DeepSeek API信息：
DEEPSEEK_API_KEY=你的DeepSeek API密钥 DEEPSEEK_BASE_URL=DeepSeek API的baseURL（例如：https://api.deepseek.com/v1）步骤4：运行代码
nodeindex.js运行后你会看到：
- 大模型先返回工具调用指令（而非直接回答）
- 代码执行
get_closing_price函数获取价格 - 工具结果返回给大模型
- 大模型生成最终的自然语言回答
三、关键拆解：工具调用的3个核心阶段
1. 认知植入：把工具“翻译”成大模型能懂的语言
代码里的tools数组，就是给大模型的“工具使用说明书”，核心是JSON Schema：
name：工具函数名（唯一标识）description：工具用途（大模型靠这个判断是否调用）parameters：参数约束（类型、描述、必传项）
⚠️ 踩坑提醒：
- 描述越具体，大模型调用越精准！比如把“股票名称”改成“股票名称，例如：青岛啤酒、贵州茅台”，能大幅降低参数错误率。
- 参数约束必须严格（比如
required），否则大模型可能漏传参数。
2. 决策阶段：大模型判断是否调用工具
当用户提问“青岛啤酒的收盘价是多少？”，大模型会：
- 检查自身训练数据：没有实时股票数据，无法直接回答
- 匹配工具列表：发现
get_closing_price工具能解决这个问题 - 返回
tool_calls字段：包含要调用的工具名、参数、唯一ID
3. Runtime介入：传统代码执行工具逻辑
这是最关键的“人类兜底”环节：
- 代码解析
tool_calls里的指令 - 调用对应的传统函数（
get_closing_price） - 获取结果后，把结果以
role: tool的形式加入对话上下文 - 再次调用大模型，让它基于工具结果生成自然语言回答
四、踩坑提醒（避坑指南）
工具描述模糊导致调用失败
❌ 错误示例：description: "查股票价格"
✅ 正确示例：description: "获取指定A股股票的当日收盘价，参数为股票全称"参数解析异常
大模型返回的arguments是字符串，必须用JSON.parse解析，建议加try-catch：letargs;try{args=JSON.parse(toolCall.function.arguments);}catch(e){console.error('参数解析失败:',e);args={};}上下文管理混乱
每次交互都要把大模型响应、工具结果加入messages数组，否则大模型会“失忆”，无法关联工具结果生成回答。API兼容问题
不同厂商的LLM API（如DeepSeek、OpenAI）对tool_calls的格式略有差异，需根据文档调整。
五、总结
工具调用的本质，是LLM的语言能力 + 传统代码的执行能力的结合：
- 用JSON Schema给大模型“植入工具认知”
- 大模型做“决策”：判断是否调用工具、传什么参数
- 传统代码做“执行”：调用工具、获取结果
- 大模型做“总结”：把工具结果转换成自然语言回答
这套逻辑不仅适用于股票查询，还能扩展到天气查询、Excel分析、网页搜索等场景——这也是AI Agent的核心基础。
最后
本文的完整源码（包含天气查询工具的扩展实现）已整理好，你可以查看仓库获取：[Knowledge_Repository/ai/agent/tool_use at main · Guwen-yue/Knowledge_Repository]（替换为你的源码地址，若无则注明“私信我获取完整源码”）。
掌握工具调用后，你可以解锁更多场景：让大模型调用API查实时数据、操作数据库、甚至控制硬件设备——这才是AI落地的核心能力。
如果这篇文章对你有帮助，欢迎点赞+收藏，后续会更新“AI Agent操作本地文件”“多工具串联调用”等实战内容！
