企业官网建设流程全解析

本文深入解析了LLM的“工具调用”（Function Calling）机制，揭示LLM如何通过输出结构化JSON来指定所需功能及参数，而实际执行则由开发者代码完成。文章详细介绍了OpenAI的原始协议、多轮对话工具调用循环，以及LangChain如何通过bind_tools和BaseTool等工具简化实现。此外，还探讨了ToolMessage的消息结构、并行工具调用、常见坑与最佳实践，以及工具安全边界设计原则。理解并应用工具调用，是构建高效AI Agent的关键一步。

1、 先搞清楚：Function Calling 到底是什么

很多人把 Function Calling 理解成"LLM 帮你调函数"，这个理解是错的。

LLM 没有执行权限，它不会真的去调用任何函数。它做的事情只有一件：输出一段结构化 JSON，告诉你"我想调用哪个函数、传什么参数"。

真正执行函数的，是你的代码。

用户提问 │ ▼ ┌─────────────────────────────────────┐ │ LLM（只做文本预测） │ │ │ │ 输入：用户问题 + 工具描述（JSON Schema）│ │ │ │ 输出：{ │ │ "tool_name": "search_web", │ │ "arguments": { │ │ "query": "今天上海天气" │ │ } │ │ } │ └─────────────────────────────────────┘ │ ▼ ← 你的代码负责执行 ┌─────────────┐ │ search_web │ ← 真实函数，调真实 API └─────────────┘ │ ▼ 工具返回结果，再喂给 LLM │ ▼ LLM 生成最终自然语言回复

这里有一个关键认知：LLM 能输出结构化 JSON，是因为它被训练成了这样。OpenAI 在 GPT-3.5/4 的 fine-tune 阶段专门加入了 Function Calling 的训练数据，让模型学会"识别何时该调工具、该传什么参数"。

2、 OpenAI Function Calling 的原始协议长什么样

在 LangChain 包装之前，我们先看原始 API 长什么样。理解了底层，才能明白 LangChain 帮你省了多少事。

定义工具（JSON Schema 格式）：

const tools=[{type:"function", function:{name:"get_weather", description:"获取指定城市的当前天气", parameters:{type:"object", properties:{city:{type:"string", description:"城市名称，例如：北京、上海"}, unit:{type:"string", enum:["celsius","fahrenheit"], description:"温度单位"}}, required:["city"]}}}];

发送请求：

const response=await openai.chat.completions.create({model:"gpt-4", messages:[{role:"user", content:"上海今天多少度？"}], tools: tools, tool_choice:"auto"// auto|none|{type:"function", function:{name:"..."}}});

LLM 返回的内容（不是普通文本！）：

{finish_reason:"tool_calls", // ← 注意这个字段 message:{role:"assistant", content: null, tool_calls:[{id:"call_abc123", type:"function", function:{name:"get_weather", arguments:'{"city": "上海", "unit": "celsius"}'// ↑ 注意：arguments 是字符串，不是对象！需要 JSON.parse}}]}}

这里有几个坑：

1. finish_reason是"tool_calls"而不是"stop"，你需要判断这个
2. arguments是字符串，不是对象，需要手动JSON.parse()
3. LLM 可能一次返回多个 tool_calls（并行调用）

3、 完整工具调用循环：多轮对话机制

单次工具调用只是开始。真实场景里，一次用户请求可能需要多次工具调用才能完成。这就是为什么叫"循环（Loop）"。

┌─────────────────────────────────────────────────┐ │ 工具调用完整循环 │ │ │ │ ┌─────────┐ │ │ │ 用户提问 │ │ │ └────┬────┘ │ │ │ │ │ ▼ │ │ ┌──────────────────────────────┐ │ │ │ LLM 决策 │ │ │ │ finish_reason = "tool_calls"│ │ │ └──────────┬───────────────────┘ │ │ │ │ │ ┌─────▼─────┐ │ │ │ 执行工具 │ ← 你的代码 │ │ └─────┬─────┘ │ │ │ ToolMessage │ │ │ │ │ ┌─────▼───────────┐ │ │ │ 把结果加入消息历史 │ │ │ └─────┬───────────┘ │ │ │ │ │ ┌─────▼──────────────────────────┐ │ │ │ LLM 再次决策 │ │ │ │ finish_reason = "stop" → 结束 │ │ │ │ finish_reason = "tool_calls" │ │ │ │ → 继续循环 │ │ │ └────────────────────────────────┘ │ └─────────────────────────────────────────────────┘

手动实现这个循环（原始 OpenAI SDK）：

importOpenAI from"openai";const openai=new OpenAI();asyncfunctionrunToolLoop(userMessage: string){const messages: OpenAI.Chat.ChatCompletionMessageParam[]=[{role:"user", content: userMessage}];while(true){const response=await openai.chat.completions.create({model:"gpt-4", messages, tools, tool_choice:"auto"});const choice=response.choices[0];messages.push(choice.message);// 把 AI 回复加入历史 // 如果不需要调用工具，循环结束if(choice.finish_reason==="stop"){returnchoice.message.content;}// 执行所有工具调用for(const toolCall of choice.message.tool_calls ??[]){const args=JSON.parse(toolCall.function.arguments);const result=await executeToolCall(toolCall.function.name, args);// 把工具结果加入消息历史 messages.push({role:"tool", tool_call_id: toolCall.id, // ← 必须对应，LLM 靠这个id区分多个工具调用 content: JSON.stringify(result)});}}}

这段代码每次都要手写。LangChain 把这个循环封装掉了。

4 、LangChain 的工具链设计：bind_tools 做了什么

LangChain 的核心抽象是：统一不同 LLM 厂商的工具调用接口。

OpenAI、Claude、Gemini、百川——每家的 Function Calling 格式都不一样。LangChain 用BaseTool和bind_tools做了标准化。

┌──────────────────────────────────────────────────┐ │ LangChain 工具抽象层 │ │ │ │ ┌─────────────┐ ┌──────────────────────────┐ │ │ │ BaseTool │ │ bind_tools(tools) │ │ │ │ │ │ │ │ │ │ .name │───▶│ 自动转换为各厂商格式： │ │ │ │ .description│ │ - OpenAI: tools[] │ │ │ │ .schema │ │ - Claude: tools[] │ │ │ │ ._call() │ │ - Gemini: functionDecl │ │ │ └─────────────┘ └──────────────────────────┘ │ │ │ │ 你只写一次工具定义，适配所有 LLM │ └──────────────────────────────────────────────────┘

三种定义工具的方式：

import{tool}from"@langchain/core/tools";import{z}from"zod";import{ChatOpenAI}from"@langchain/openai";// 方式1：用 tool()函数（最推荐，类型安全） const getWeather=tool(async({city, unit="celsius"})=>{// 真实实现 const temp=await fetchWeatherAPI(city);return`${city}当前温度：${temp}°${unit==="celsius"?"C":"F"}`;},{name:"get_weather", description:"获取指定城市的当前天气", schema: z.object({city: z.string().describe("城市名称"), unit: z.enum(["celsius","fahrenheit"]).optional().describe("温度单位")})});// 方式2：继承 BaseTool（适合复杂工具，有状态）import{BaseTool, ToolParams}from"@langchain/core/tools";class DatabaseQueryTool extends BaseTool{name="query_database";description="查询数据库中的用户信息";constructor(private db: DatabaseConnection){super();}async _call(input: string): Promise<string>{const result=await this.db.query(input);returnJSON.stringify(result);}}// 方式3：DynamicStructuredTool（Zod schema + 动态）import{DynamicStructuredTool}from"@langchain/core/tools";const searchTool=new DynamicStructuredTool({name:"search_web", description:"搜索网页内容", schema: z.object({query: z.string(), maxResults: z.number().optional().default(5)}), func: async({query, maxResults})=>{returnawait webSearch(query, maxResults);}});

bind_tools 绑定工具：

const model=new ChatOpenAI({model:"gpt-4o"});const tools=[getWeather, searchTool];// 绑定工具到模型 const modelWithTools=model.bindTools(tools);// 调用时，LLM 会自动决定是否要调工具 const result=await modelWithTools.invoke("上海今天多少度？");// result 可能是： //1. AIMessage with tool_calls → LLM 决定要调工具 //2. AIMessage with content → LLM 直接回答 console.log(result.tool_calls);//[{name:"get_weather", args:{city:"上海"}, id:"call_xxx"}]

5 、ToolMessage 消息结构：工具结果如何回传 LLM

工具执行完之后，结果怎么传回 LLM？这里有个容易踩的坑：消息类型是 ToolMessage，不是 HumanMessage。

消息历史的完整结构： HumanMessage: "上海今天多少度？" ↓ AIMessage: content=null, tool_calls=[{id:"call_1", name:"get_weather", args:{city:"上海"}}] ↓ ToolMessage: content="上海当前温度：22°C", tool_call_id="call_1" ↓ AIMessage: content="上海今天22度，比较舒适，适合户外活动。"

用 ToolNode 自动执行工具（LangGraph 的正确打开方式）：

import{ToolNode}from"@langchain/langgraph/prebuilt";import{HumanMessage}from"@langchain/core/messages";// ToolNode：接收包含 tool_calls 的 AIMessage，自动执行并返回 ToolMessage const toolNode=new ToolNode(tools);// 模拟 LLM 输出了一个 tool_calls const aiMessage=new AIMessage({content:"", tool_calls:[{id:"call_001", name:"get_weather", args:{city:"上海", unit:"celsius"}, type:"tool_call"}]});// ToolNode 自动执行并返回 ToolMessage const toolResult=await toolNode.invoke({messages:[aiMessage]});//{messages:[ToolMessage{content:"上海当前温度：22°C", tool_call_id:"call_001"}]}

并行工具调用（Parallel Tool Calls）：

// LLM 可能一次返回多个 tool_calls const aiMessage=new AIMessage({content:"", tool_calls:[{id:"call_001", name:"get_weather", args:{city:"上海"}},{id:"call_002", name:"get_weather", args:{city:"北京"}},{id:"call_003", name:"search_web", args:{query:"今日股市行情"}}]});// ToolNode 会并行执行这三个工具 // 返回三条 ToolMessage，分别对应三个 tool_call_id

6 、在 LangGraph 中组装完整工具调用 Agent

把前面所有东西组合起来，搭一个完整的 ReAct Agent：

importStateGraphMessagesAnnotationfrom"@langchain/langgraph"importToolNodefrom"@langchain/langgraph/prebuilt"importChatOpenAIfrom"@langchain/openai"importfrom"@langchain/core/tools"importfrom"zod"importAIMessagefrom"@langchain/core/messages"// 定义工具consttoolasynctry// 简单计算器（生产环境用更安全的方式）constFunction`"use strict"; return (${expression})`return`计算结果：${result}`catchreturn"计算失败，请检查表达式格式"name"calculator"description"执行数学计算，支持加减乘除和括号"schemaobjectexpressionstringdescribe"数学表达式，例如：(3+5)*2"consttoolasync// 实际实现调用搜索 APIreturn`搜索结果：关于"${query}"的最新信息...`name"search"description"搜索最新信息"schemaobjectquerystringdescribe"搜索关键词"constconstnewToolNode// LLM 绑定工具constnewChatOpenAImodel"gpt-4o"temperature0constbindTools// 判断是否需要继续调用工具functionshouldContinuestate: typeof MessagesAnnotation.Stateconstmessagesmessageslength1asAIMessageiftool_callstool_callslength0return"tools"// 有 tool_calls → 去执行工具return"__end__"// 没有 tool_calls → 结束// 调用 LLM 节点asyncfunctioncallModelstate: typeof MessagesAnnotation.Stateconstawaitinvokemessagesreturnmessages// 构建 GraphconstnewStateGraphMessagesAnnotationaddNode"agent"addNode"tools"addEdge"__start__""agent"addConditionalEdges"agent"addEdge"tools""agent"// 工具执行完 → 回到 agentcompile// 运行constawaitinvokemessagesrole"user"content"帮我查一下今日 GPT-4o 的最新进展，然后算一下 (125 * 8 + 32) / 4 等于多少"consolelogmessagesmessageslength1content

整个执行流程： 用户提问（两个需求：搜索 + 计算） ↓ agent 节点：LLM 分析，输出两个 tool_calls（并行） ↓ tools 节点：并行执行 search + calculator ↓ 返回两条 ToolMessage 到 agent ↓ agent 节点：LLM 综合工具结果，生成最终回答 ↓ 结束（finish_reason = stop）

7、 工具调用常见坑与最佳实践

坑1：工具描述写得太短

// ❌ 差的描述consttoolname"query_db"description"查数据库"schemaobjectsqlstring// ✅ 好的描述——告诉 LLM 什么时候用、用来干什么consttoolname"query_database"description`查询用户数据库。 适用场景：需要查找用户信息、订单记录、消费历史时。 输入 SQL 查询语句（只支持 SELECT，不支持修改操作）。 返回 JSON 格式的查询结果，最多返回 100 条记录。`schemaobjectsqlstringdescribe"SQL SELECT 语句，例如：SELECT * FROM users WHERE id = 123"

坑2：忘记处理工具执行失败

consttoolasynctryconstawaitriskyOperationreturnJSONstringifycatch// ⚠️ 工具报错了，别直接 throw！// LLM 会收到 ToolMessage，需要能读懂这个错误return`工具执行失败：${error.message}。请尝试修改参数后重试。`name"..."description"..."schemaobject

坑3：tool_choice 设置不当

// 强制调用某个工具（适合测试）constbindToolstool_choicetype"function"functionname"get_weather"// 完全禁用工具调用constbindToolstool_choice"none"// 自动判断（生产环境推荐）constbindToolstool_choice"auto"// 默认值

坑4：并行工具调用时 tool_call_id 对不上

// ✅ ToolMessage 必须设置正确的 tool_call_id// 否则 LLM 不知道哪个结果对应哪个工具调用forconstoftool_callsconstawaitexecuteToolpushnewToolMessagecontenttool_call_idid// ← 必须和 AIMessage.tool_calls[i].id 对应

8 、工具安全边界：别让 LLM 干坏事

工具调用是双刃剑。LLM 能帮你查数据库、也能帮你删数据库。工具设计必须有安全边界。

安全工具设计原则： ┌────────────────────────────────────────────────┐ │ 原则1：最小权限 │ │ - 只暴露必要的操作，SELECT 而非全 SQL │ │ - 读写分离，危险操作单独工具并加二次确认 │ │ │ │ 原则2：参数校验（在工具内，不依赖 LLM） │ │ - 用 Zod 做 schema 校验 │ │ - 业务规则在函数内部验证，不在 description 里约定│ │ │ │ 原则3：限制工具调用深度 │ │ - 设置最大循环次数（recursionLimit） │ │ - 避免无限循环调用 │ │ │ │ 原则4：审计日志 │ │ - 记录每次工具调用的参数和结果 │ │ - 异常调用告警 │ └────────────────────────────────────────────────┘

// LangGraph 限制最大循环次数constcompileconstawaitinvokemessagesrole"user"content"..."recursionLimit10// 最多循环 10 次，防止死循环

总结

这篇我们从底层到工程，完整拆解了 Function Calling 与 LangChain 工具链：

• Function Calling 的本质：LLM 只输出 JSON 描述"该调哪个工具、传什么参数"，执行权在你手里
• 完整调用循环：用户提问 → LLM 决策 → 执行工具 → 结果回传 → LLM 再决策，直到 finish_reason 为 stop
• LangChain 的价值：用bind_tools+BaseTool统一了各厂商差异，ToolNode 把执行循环封装干净
• ToolMessage 对应关系：tool_call_id 是关键，确保工具结果和调用请求一一对应
• 安全边界：工具要遵循最小权限原则，参数校验在代码里做，不靠 description 约束 LLM

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】