今天的唯一目标

梳理工具调用的七步流程、Runtime 的职责、LangGraph 与 Agents SDK,以及 Skill 的加载方式。

Tool Call 是大模型生成的一次结构化工具调用请求,告诉外部程序调用哪个工具、传入什么参数。真正执行工具的是 Runtime 或对应的工具执行环境。

1. Tool Calling 的本质

一次工具调用涉及三个层次:

| 层次 | 职责 | | --- | --- | | 大语言模型(LLM) | 根据上下文生成文本或工具调用请求 | | 模型 API 服务 | 按接口协议组织或解析模型输出,返回结构化数据 | | Agent Runtime | 管理模型调用、工具匹配与执行、结果回传和状态流转 |

2. 一次工具调用的完整流程

图工具调用的完整流程:从发送消息和工具定义,到执行工具并将结果回传模型

以下代码使用 Chat Completions 格式。client、MODEL_NAME、get_time 和 search_knowledge_base 在应用侧预先准备。

2.1 发送消息和工具定义

python可复制后修改
messages = [{"role": "user", "content": "百炼计费说明"}]

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_time",
            "description": "获取当前时间",
            "parameters": {
                "type": "object", "properties": {},
                "additionalProperties": False,
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "search_knowledge_base",
            "description": "从知识库查询资料",
            "parameters": {
                "type": "object",
                "properties": {"query": {"type": "string"}},
                "required": ["query"],
                "additionalProperties": False,
            },
        },
    },
]

response = client.chat.completions.create(
    model=MODEL_NAME, messages=messages, tools=tools,
)

tools 是可用工具的清单,可以包含多个工具。每个工具定义包括名称、描述和参数 Schema;传给模型的是工具说明,不是函数源代码。

2.2 模型返回工具调用请求

模型根据消息和工具描述决定调用哪些工具。返回的 assistant 消息中,tool_calls 包含实际请求的工具调用:

json可复制后修改
{
  "role": "assistant",
  "content": null,
  "tool_calls": [{
    "id": "call_001",
    "type": "function",
    "function": {
      "name": "search_knowledge_base",
      "arguments": "{\"query\": \"百炼计费说明\"}"
    }
  }]
}

name 是工具名,arguments 是 JSON 字符串格式的参数,id 是调用编号。模型也可能在一次返回中请求调用多个工具;此时工具尚未执行。

支持工具调用的模型经过相关训练,能够生成约定格式的调用内容,模型服务将其解析为 API 返回的结构。在 DeepSeek 的一些开源模型实现中,工具调用、工具名和参数使用特殊标记区分;具体编码方式取决于模型和服务实现。

2.3 程序执行工具并回传结果

python可复制后修改
import json

handlers = {
    "get_time": get_time,
    "search_knowledge_base": search_knowledge_base,
}

message = response.choices[0].message
messages.append(message)

for call in message.tool_calls:
    args = json.loads(call.function.arguments)
    result = handlers[call.function.name](**args)
    messages.append({
        "role": "tool",
        "tool_call_id": call.id,
        "content": str(result),
    })

response = client.chat.completions.create(
    model=MODEL_NAME, messages=messages, tools=tools,
)

程序根据工具名找到对应函数,执行后把调用消息和工具结果加入 messages,再发给模型。每条工具结果通过 tool_call_id 与原调用的 id 对应。上面的代码省略了校验;实际运行前需要检查工具名和参数。

模型拿到结果后,可以回答,也可以继续请求工具;程序再处理下一轮,直到模型回答或达到停止条件。没有 tool_calls 并不自动代表任务成功,还需要结合响应状态和任务结果判断。

3. LangGraph 与 OpenAI Agents SDK

两者都可以组织模型调用和工具执行,只是封装方式不同。

| 职责 | LangGraph | OpenAI Agents SDK | | --- | --- | --- | | 注册工具 | bind_tools 与 ToolNode | Agent 配置中的函数工具 | | 决定下一步 | tools_condition 或自定义条件路由 | Runner 检查模型输出 | | 执行和回传 | ToolNode 执行工具并产生 ToolMessage | SDK 调度函数工具并处理结果 | | 管理循环 | Graph 的节点和边 | Runner.run() 等运行入口 |

结果的具体字段取决于接口:上面的 Chat Completions 示例使用 tool_call_id;Responses API 使用 function_call_output 和 call_id。

AIFriends 中的 LangGraph 流程

AIFriends 的 backend/web/views/friend/message/chat/graph.py 中,get_time 和 search_knowledge_base 被注册为工具。下面的代码按项目源码整理,省略了工具定义、模型初始化和状态类型:

python可复制后修改
tools = [get_time, search_knowledge_base]
llm = llm.bind_tools(tools)

def model_call(state):
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

def should_continue(state):
    if state["messages"][-1].tool_calls:
        return "tools"
    return "end"

graph = StateGraph(AgentState)
graph.add_node("agent", model_call)
graph.add_node("tools", ToolNode(tools))
graph.add_edge(START, "agent")
graph.add_conditional_edges(
    "agent", should_continue, {"tools": "tools", "end": END}
)
graph.add_edge("tools", "agent")
app = graph.compile()
  • bind_tools 把工具定义交给模型;ToolNode 持有同一组工具,负责执行模型请求的工具。
  • should_continue 检查模型消息:有工具调用就转到 tools,否则结束。
  • tools 节点执行后回到 agent;图的消息状态会把工具结果加入对话,再交给模型。

LangGraph 把工具分发、结果回传和流程跳转组织在图中;手写运行程序也可以完成同一套机制。🐳

4. Skill 的本质

text可复制后修改
skills/
└── pptx/
    ├── SKILL.md
    └── generate.py

Skill 是一套可复用的操作说明及配套资源,SKILL.md 描述使用方法;它本身不是一个天然会自动执行的工具。

Agent 的典型加载方式:

图Agent 的典型加载方式:发现 Skill、读取说明并通过工具执行操作

读取 Skill 的具体方式由 Runtime 决定;说明内容可以通过工具结果或其他方式提供给模型。

  • 安装:把 Skill 文件放到运行环境可发现的位置。
  • 加载:读取说明,并将需要的内容提供给模型;具体加载方式由 Runtime 决定。
  • 执行:模型按照说明完成任务,必要时请求文件、命令等工具执行动作。

Skill 可以包含脚本,但使用 Skill 不一定会运行脚本。LangGraph 本身也不会自动扫描任意 Skill 目录;这需要额外的 Skill 管理能力。

5. 最终知识框架

| 概念 | 作用 | | --- | --- | | LLM | 生成文本或工具调用请求 | | Tool Call | 描述工具名、参数等信息的调用请求 | | Runtime | 管理模型、工具和上下文之间的执行流程 | | Tool | 实际执行操作的函数或外部能力接口 | | Skill | 提供完成某类任务的说明和资源 | | Agent | 将模型、Runtime、工具和上下文组织起来的应用 |

本文讨论程序自己提供的函数工具;服务商内置工具可能由服务端执行。tool_calls 是常见的 API 字段名,不同接口的表示方式可能不同。

Tool Calling 让模型能够请求外部系统执行动作;Agent Runtime 将这些动作组织成持续的执行与反馈循环。Skill 则提供完成特定任务的说明和资源。

参考资料

接口和模型模板核对日期:2026 年 10 月 28 日。代码展示调用流程,知识库查询未实际执行;LangGraph 片段根据本地 AIFriends 项目源码整理。