编程工具调用入门：让 LLM 能动手、能看、有护栏

2026-09-07 23:12:38

Agent Skills 101：给 AI 手、眼睛和安全护栏

让 LLM 写十四行诗只要四秒；让它查天气、读本地 SQLite、总结新上传的 PDF，它却撞上一堵无形的墙——就像隔着隔音玻璃和一个天才聊天：才华横溢，但与外部世界完全脱节。这堵墙在引入 agent skills（工具调用/function calling）那一刻消失——被动文本生成器变成主动问题解决者。但从玩具 demo 到可靠系统，不只是给 API 端点传一个函数列表。

心智模型：线性 LLM 与 Agentic 系统的区别

传统设置是纯线性的：User Input → [LLM] → Output Text。模型在 token 上算概率分布、返回文本流；答案需要实时数据或外部计算时，只能猜——通常导致自信的幻觉。

Agentic 架构把线性请求变成连续推理循环，四步：

Observe：评估用户请求，检查当前状态/环境；
Think：推理目标——已知答案，还是需要外部数据？
Act：需要数据或变更时，触发一个 skill（API 调用、数据库查询或脚本）；
Reflect：评估 skill 返回的输出，决定任务完成还是需要下一步。

Agent Skill 底层是什么

工具调用里没有神秘的 AI 魔法。一个 agent skill 由两块组成：

一个普通代码函数：你写的 Python/JavaScript 函数，做具体的事（抓 API、解析文件）；
一个结构化 schema：告诉 LLM 工具叫什么、做什么、期望什么参数的 JSON 规格。

import json

def get_user_subscription(user_id: str) -> dict:
    """Fetches subscription status for a given user ID from our system."""
    database = {
        "usr_101": {"tier": "Pro", "status": "active", "renewal_days": 12},
        "usr_102": {"tier": "Free", "status": "active", "renewal_days": 0},
    }
    return database.get(user_id, {"tier": "Unknown", "status": "error"})

配合工具 schema（name、description、parameters）交给模型，模型在需要时以 JSON 参数发起调用，你的代码执行并把结果送回循环。

可靠性的三个护栏

从 demo 到生产，作者强调的实践要点：

schema 即契约：参数约束写死在 JSON schema 里（类型、必填、枚举），模型越界请求在入口被拒绝；
循环限步：Observe-Think-Act-Reflect 可能无限转圈，给最大迭代次数与超时；
权限最小化：skill 按能力拆分（只读/写操作分离），敏感动作需显式确认或单独审批路径。

实践建议

每个 skill 保持"一个函数 + 一个 schema"的粒度，宁可多而小，不要大而全——模型更容易选对工具；
失败路径要设计：skill 抛错时把错误信息传回模型，让它 Reflect 后换策略，而不是静默吞掉；
先做"手"（能执行动作）再做"眼睛"（能读环境），最后加安全护栏（限步、鉴权、审批）——按这个顺序迭代。

来源：Agent Skills 101: Giving Your AI Hands, Eyes, and Safety Rails - DEV Community

复制全文生成海报 AI Agent 教程

编程 工具调用入门：让 LLM 能动手、能看、有护栏