Tool-Use

你让悟空对比两个刚发布不久的开源框架，它自信满满地输出了三千字分析，但你一查官网，发现核心特性全是幻觉；你让它分析一份 CSV 销售数据，它用纯文本「心算」了一堆增长率，结果和你用 Excel 拉出来的数字对不上；你让它帮你建一个钉钉待办，它给你写了一段完美的 API 调用建议，但就是没真正执行。

不是 AI 不够聪明，是你只给了它「大脑」，没给它「双手」。

在前面的六篇文章中，我们解决了需求澄清、流程拆解、交付标准、风格对齐、迭代反馈和上下文稳定性。但这些技巧都聚焦在纯文本交互层面。

当任务涉及实时信息、精确计算、外部系统操作时，纯 LLM 推理会遇到物理天花板：知识截止、数学弱项、无执行环境。此时，继续用「聊天」模式硬扛，只会得到看似专业实则不可用的结果。

今天，我们探讨技巧七：如何通过「工具协同」，显式调度 AI 的外部能力，让协作从「对话建议」升级为「端到端执行」。

做了一年多 AI Agent 开发，我逐渐形成了一个核心观点：让 Agent 更准确更高质量地完成任务，最关键的不是换一个更强的模型，而是给它一个正确的执行环境。

具体来说，这个"正确的执行环境"包含四个要素：干净的执行环境、充足且正确的上下文、允许自我探索的空间、以及学会使用工具解决问题的能力。

做 AI Agent 开发这一年多来，我经历了一个认知上的转变：以前的默认思路是"我要给 AI 准备好一切工具，让它去调用"；而现在，越来越多的场景让我意识到——AI 为了完成任务，会自己造工具。这不是一个隐喻，而是一个正在发生的技术事实。

最近在做 Agent 开发时，我发现一个有意思的现象：大模型调用工具的准确率其实可以非常高，达到 99% 甚至更高——但这有一个关键前提：工具本身要足够简单。这也解释了一个行业趋势：越来越多的平台服务在做 Tools 化时，选择的路径是写 CLI，而不是暴露复杂的 SDK 或 REST API。