不使用智能体开发框架（如 LangChain, AutoGen, CrewAI 等），直接调用工具是完全可行的，并且在很多场景下是更直接、更可控的选择。
这种方法的核心是：你将承担智能体框架原本为你处理的“大脑”工作——也就是任务规划、工具选择、参数提取、结果解析和流程控制。你需要手动编写代码来实现这些逻辑。
下面我们通过一个清晰的框架和具体示例来说明如何实现。
核心思想：自己动手构建一个“微型智能体”
你可以把一个智能体想象成一个由以下几个部分组成的循环：
思考 (Think/Plan)：理解用户意图，决定下一步该做什么。
选择工具 (Select Tool)：根据思考的结果，选择一个合适的工具。
准备参数 (Prepare Arguments)：为选定的工具准备好必需的输入参数。
执行工具 (Execute Tool)：调用工具并获取结果。
观察结果 (Observe Result)：分析工具返回的结果。
决定下一步 (Decide Next Step)：根据结果决定是继续调用下一个工具，还是直接给出最终答案，或者重新规划。
不使用框架，就意味着你需要用代码手动实现这个循环。
方法一：简单的顺序调用（适用于线性任务）
这是最简单的形式，任务步骤是固定的，不需要复杂的判断和循环。
场景：用户想知道“北京今天的天气，并根据天气建议穿什么衣服”。
步骤：
调用天气API工具获取天气。
根据返回的天气数据（如“晴，25°C”），在代码里写一个
if-else逻辑来判断。输出穿衣建议。
Python 示例：
import requests # 1. 定义工具函数 (Tool Functions) def get_weather(city: str): """一个模拟的天气查询工具""" # 实际场景中这里会是调用天气API weather_data = { "北京": {"condition": "晴", "temperature": 25}, "上海": {"condition": "雨", "temperature": 18} } return weather_data.get(city, {"condition": "未知", "temperature": 0}) def generate_clothing_advice(condition, temperature): """一个根据天气生成建议的函数""" if condition == "晴" and temperature > 20: return f"天气晴朗，{temperature}°C，建议穿短袖T恤和薄外套。" elif condition == "雨": return f"今天有雨，{temperature}°C，记得带伞，穿防水的鞋子。" else: return "天气状况复杂，请注意保暖。" # 2. 主逻辑（手动编排） def main(): user_query = "北京今天天气怎么样？该穿什么？" # 步骤1：提取关键信息（手动解析） city = "北京" # 这里我们直接从问题中硬编码或简单解析出城市 # 步骤2：调用第一个工具 weather_info = get_weather(city) print(f"查询到{city}的天气：{weather_info}") # 步骤3：处理结果并调用第二个工具 advice = generate_clothing_advice(weather_info["condition"], weather_info["temperature"]) # 步骤4：给出最终答案 print(f"回答：{advice}") if __name__ == "__main__": main()方法二：基于大模型的动态调用（更接近智能体）
这种方法利用大模型的理解、规划和代码生成能力，但由你来控制整个流程。这是“不用框架”但又想实现智能体核心能力的常用方法。
核心流程：
提示大模型：将用户问题和可用工具的列表（包括名称、描述和参数）一起发给大模型。
模型决策：大模型分析后，决定是否需要调用工具。如果需要，它会生成一个结构化的输出（如 JSON 或一个函数调用对象），指明要调用的工具和参数。
解析与执行：你的代码解析模型的输出，提取出工具名和参数，然后在你的程序中真正执行对应的工具函数。
循环与终止：将工具执行结果返回给大模型，让它判断是否需要继续调用下一个工具，或者根据所有收集到的信息生成最终的自然语言回复。
场景：用户问“苹果公司的股价和CEO是谁？”（需要调用两个独立的工具）
Python 示例：
import requests import json # 1. 定义工具函数 def get_stock_price(ticker: str): """获取股票价格的工具""" # 模拟API调用 prices = {"AAPL": 190.50, "GOOGL": 175.20} return {"ticker": ticker, "price": prices.get(ticker, "未找到")} def get_company_ceo(company_name: str): """获取公司CEO的工具""" ceos = {"苹果": "蒂姆·库克", "谷歌": "桑达尔·皮查伊"} return {"company": company_name, "ceo": ceos.get(company_name, "未知")} # 2. 定义可用工具的元数据（用于告诉大模型） tools_metadata = [ { "type": "function", "function": { "name": "get_stock_price", "description": "获取上市公司的股票价格", "parameters": { "type": "object", "properties": { "ticker": {"type": "string", "description": "公司的股票代码，例如 'AAPL'"} }, "required": ["ticker"] } } }, { "type": "function", "function": { "name": "get_company_ceo", "description": "获取一家公司的首席执行官(CEO)", "parameters": { "type": "object", "properties": { "company_name": {"type": "string", "description": "公司的中文全称，例如 '苹果'"} }, "required": ["company_name"] } } } ] # 3. 主逻辑（手动实现 ReAct 循环） def run_agent(user_query): # 初始消息 messages = [{"role": "user", "content": user_query}] # 为了简化，我们假设模型一次就能规划好所有步骤 # 更复杂的实现会是一个 while 循环，直到模型决定不再调用工具 # a. 将工具定义和用户问题发送给支持 function calling 的模型 (如 GPT-4, Qwen, etc.) # 这里用伪代码表示模型调用 # model_response = call_llm_api(messages=messages, tools=tools_metadata, tool_choice="auto") # b. 【模拟模型响应】模型分析后，决定调用两个工具 # 在实际中，这一步是由大模型生成的。 simulated_tool_calls = [ { "id": "call_1", "function": {"name": "get_stock_price", "arguments": json.dumps({"ticker": "AAPL"})} }, { "id": "call_2", "function": {"name": "get_company_ceo", "arguments": json.dumps({"company_name": "苹果"})} } ] print("模型决定调用以下工具:") for tool_call in simulated_tool_calls: print(f"- {tool_call['function']['name']}: {tool_call['function']['arguments']}") # c. 在我们的代码中执行这些工具调用 tool_results = [] for tool_call in simulated_tool_calls: func_name = tool_call["function"]["name"] arguments = json.loads(tool_call["function"]["arguments"]) # 根据函数名，在我们的字典中找到并执行对应的函数 if func_name == "get_stock_price": result = get_stock_price(**arguments) elif func_name == "get_company_ceo": result = get_company_ceo(**arguments) else: result = {"error": "Function not found"} tool_results.append({"tool_call_id": tool_call["id"], "result": result}) print("\n工具执行结果:") for res in tool_results: print(res) # d. 将工具结果返回给模型，让它生成最终的自然语言回复 # messages.append({"role": "assistant", "tool_calls": simulated_tool_calls}) # 添加助手的调用指令 # for tr in tool_results: # 添加工具结果 # messages.append({"role": "tool", "tool_call_id": tr["tool_call_id"], "content": json.dumps(tr["result"])}) # final_response = call_llm_api(messages=messages) # print("\n最终回复:", final_response.choices[0].message.content) # 【模拟最终回复】 print("\n最终回复: 苹果公司(AAPL)的股价是190.50美元，其CEO是蒂姆·库克。") # 运行 run_agent("苹果公司的股价和CEO是谁？")如何选择与总结
特性 | 简单顺序调用 | 基于大模型的动态调用 |
|---|---|---|
优点 | 简单直观，逻辑清晰，易于调试 | 灵活，能处理未知和复杂任务，接近智能体能力 |
缺点 | 僵化，只能处理预定义的线性流程 | 实现复杂，需要理解模型 function calling 机制，有成本 |
适用场景 | 自动化脚本、固定流程的ETL、简单的API串联 | 问答系统、个人助理、需要多步推理的复杂任务 |
结论：
如果你的任务是线性的、固定的，直接手动顺序调用函数是最清晰、最高效的方式。
如果你的任务需要根据用户输入动态决定步骤，那么利用大模型的 Function Calling 能力，并手动实现调用循环，是一条强大且灵活的“裸金属”智能体开发之路。它让你既能享受到大模型的能力，又能保持对流程和逻辑的完全掌控。
