构建大语言模型工具调用Agent：气象小助手实战

1. 项目概述

在AI应用开发领域，让大语言模型（LLM）具备调用外部工具的能力已成为落地实践的关键需求。本文将以"气象小助手"为例，详细拆解如何从零构建一个具备工具调用能力的Agent系统。这个系统能够理解用户关于天气的查询意图，通过调用外部API获取实时数据，并生成结构化的天气报告。

提示：本文代码示例基于OpenAI API格式，但同样适用于兼容该格式的国产大模型（如文心一言、腾讯云AI等）

2. 核心架构设计

2.1 Agent系统工作流

一个完整的工具调用Agent包含以下核心环节：

1. 意图识别阶段：LLM分析用户输入，判断是否需要调用工具
2. 工具调用阶段：系统执行具体的工具函数获取实时数据
3. 结果整合阶段：LLM将原始数据转化为自然语言回复

mermaid复制graph TD
    A[用户输入] --> B(LLM意图识别)
    B -->|需要工具| C[生成工具调用请求]
    B -->|直接回答| D[生成最终回复]
    C --> E[执行本地工具函数]
    E --> F[返回工具执行结果]
    F --> G(LLM整合结果)
    G --> D

2.2 关键技术选型

• 大模型基础：GPT-3/4系列或兼容API的国产模型
• 开发框架：Python + OpenAI官方库
• 工具协议：JSON Schema格式的工具描述
• 通信机制：基于对话历史的上下文管理

3. 详细实现步骤

3.1 环境准备

首先确保安装必要的Python包：

bash复制pip install openai python-dotenv

建议使用环境变量管理API密钥：

python复制from dotenv import load_dotenv
import os

load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")

3.2 工具函数实现

天气查询工具

python复制import json
from datetime import datetime

def get_weather(location: str) -> str:
    """模拟天气API查询功能
    
    Args:
        location: 城市名称，如"北京"
    
    Returns:
        JSON格式的天气数据
    """
    # 模拟数据库
    weather_db = {
        "北京": {
            "temp": "25°C", 
            "condition": "晴",
            "humidity": "45%",
            "update_time": datetime.now().strftime("%Y-%m-%d %H:%M")
        },
        "上海": {
            "temp": "28°C",
            "condition": "多云",
            "humidity": "65%",
            "update_time": datetime.now().strftime("%Y-%m-%d %H:%M")
        }
    }
    
    result = weather_db