我们已经学习了什么是工具。 现在我们通过工具调用循环来看一看工具在实际场景中的运行逻辑。当你为大语言模型LLM配置可用工具后模型有两种输出形式 一是直接生成文本回答二是输出一段标准化的工具调用指令。 一旦模型发起工具调用你编写的程序代码就需要执行对应的外部操作并将执行结果回传给模型。如此往复就形成了一套循环流程。 这套实现范式通常被称作函数调用Function Calling。我们以日程安排场景举例 如果用户提出需求 “预约午餐会面”大模型可能会先调用工具查询日历空闲时段再调取联系人信息最后创建日程事件。模型还支持多工具联合调用。 若你的需求需要多份外部信息支撑模型会依次串行调用多个工具部分场景下也可并行调用全部获取数据后再整合给出最终答复。落到代码层面的运行逻辑如下 程序维护一条消息列表记录全部对话上下文。 当大模型输出工具调用指令时程序会遍历所有待调用工具逐个执行操作并把每条工具返回的结果追加到消息列表再交给大模型做后续处理。这里有一个关键要点大模型本身并不运行任何代码它只会用 JSON 格式输出想要执行操作的意图真正完成外部操作、充当中间枢纽的是你开发的应用程序。分核心概念、代码逐行逻辑、完整运行链路、关键底层原理四部分讲清楚一、核心基础认知LLM 不具备执行能力大模型只会输出自然文本 / 标准化 JSON 工具调用意图第二张图的 JSON不会真的查日历、读写文件、调接口执行外部操作的是你的 Python 应用代码。两条输出分支给 LLM 传入tools工具列表后模型二选一输出分支 1直接输出纯文本直接作为最终回答分支 2输出tool_callsJSON 结构化指令触发工具循环。消息队列messages是上下文载体全程所有对话、工具返回结果都存在这个列表保证每一轮 LLM 都能拿到完整历史上下文。二、第一张图代码逐行解析agent_loop.py# 1. 初始化对话上下文用户原始提问 messages [ {role: user, content: Schedule lunch}, ] # 2. 第一次调用LLM同时传入可用工具定义 tools response llm.chat(messages, toolstools) # 3. 判断模型是否返回了工具调用指令 if response.tool_calls: # 遍历每一个待调用工具支持多工具串行/并行 for tc in response.tool_calls: # 4. 应用代码执行外部工具根据工具名、入参运行函数 result execute_tool(tc.name, tc.arguments) # 5. 把工具执行结果追加进上下文role固定为tool messages.append({ role: tool, content: result }) # 6. 所有工具执行完毕、结果写入上下文后二次调用LLM整合答案 final llm.chat(messages)代码对应业务场景预约午餐用户输入Schedule lunch预约午餐存入messagesLLM 收到需求 工具清单判断需要先查日历输出第二张图的check_calendarJSON代码检测到tool_calls不为空进入循环提取工具名check_calendar、参数date/user交给execute_tool运行真实查询日历接口拿到日历空闲时段结果以role:tool追加到消息列表上下文现在包含用户提问 LLM 工具调用意图 日历查询结果再次调用 LLM模型基于完整信息生成最终回复比如 “周三中午 12 点有空已为你创建午餐日程”。三、第二张图LLM 输出的工具调用标准 JSON 含义{ id: call_abc123, type: function, function: { name: check_calendar, arguments: { date: 2026-03-06, user: me } } }id本次工具调用唯一标识用于多工具区分、结果配对type: function固定标识代表这是一次函数工具调用name要执行的工具函数名称代码靠这个匹配execute_tool里的逻辑arguments调用该工具需要的入参由 LLM 根据用户需求自动填充 下方注释关键点LLM 只输出操作意图不执行任何逻辑JSON 只是结构化指令。四、完整工具循环闭环流程初始化上下文用户提问写入messages首轮 LLM 推理传入对话 工具定义模型判断是否需要工具无需工具 → 直接返回文本流程结束需要工具 → 输出tool_callsJSON应用层执行工具代码解析 JSON循环调用外部函数 / 接口回填工具结果每一次工具返回数据都追加到messages二次 LLM 整合携带全部对话 工具数据再次请求模型生成最终自然语言答复拓展如果第二轮 LLM 又生成新的tool_calls会重复 3-5 步形成多轮工具循环Agent 核心能力。五、关键特性补充多工具支持模型单次可输出多个tool_calls代码循环串行执行部分模型支持并行工具调用一次性返回多条函数指令。上下文持久化messages列表会保存用户、模型、工具三类角色记录模型每一轮都能读取历史工具返回的数据实现多步骤复杂任务查日历→查联系人→创建日程三步连续调用。分层职责隔离LLM决策 “要不要调用工具、调用哪个、传什么参数、怎么总结结果”应用代码承担工具调度、外部接口访问、上下文管理的执行层角色。六、通俗总结你可以把这套流程理解成 你用户告诉 AI “帮我约午饭”AI 没有查日历的能力于是写了一张标准化纸条JSON递给你的程序“帮我运行 check_calendar查 2026-03-06 我的日程” 你的程序拿到纸条去查日历把空闲时间写回纸条交给 AI AI 看完日历数据再整理出完整的预约回复给你。 中间反复递纸条、查数据的整套循环就是图里的工具调用 / Function Calling Agent Loop。