模型提议，外部执行：工具调用的定义、两大收益与窄接口设计

每个 agent 框架都在教模型调工具。可再追问一句定义，多数人的答案会卡壳。课程官方指定的第一篇入门读物 What Are Tools Anyway? 用一整篇综述，专门回答这一个问题。

本篇沿讲义 L2 p.2-12 走四步：一个定义、两大收益、五类接口、一套设计方法。

一、定义的关键不在「是什么」，在「谁做主」

课程的工作定义只有一句话（slides L2 p.2）：工具（tool）是语言模型借以调用外部程序的接口（interface）—— 模型「提议」（propose）一次调用，外部软件「决定」是否执行、如何执行。

拆开看，主权分成两半。模型侧从头到尾不碰键盘，只产出一段结构化意图：调哪个工具、参数是什么。真正的动手方是 harness（运行器 / 脚手架）与外部程序，负责校验、执行、把观测回填。

具体形态五花八门：Search、Calculator、Browser、Python、API（slides L2 p.2-6）。但主权结构只有这一种。

What Are Tools Anyway? 的贡献是从语言模型视角给工具知识定了位：它不同于事实性知识与动作性知识，不在参数里，讲的是知道何时、借谁的手。该综述据此建立了覆盖工具创造、选择与使用的统一分析框架。

对这个主权分离最有用的读法：后面的一切机制细节都是它的派生。

• 参数为什么要按 schema 校验？
• 观测为什么会变成攻击面？
• call ID 为什么必须一一配对？

追到根，答案同一个：提议者与执行者不是同一方。

二、两大收益与场景矩阵：什么时候值得递工具

模型缺的东西只有两类，对应讲义的两大收益（slides L2 p.3-4）：

落到场景就是一张矩阵（slides L2 p.5）。按你缺什么找工具，别拿工具找活：

三、五类接口过一遍：finish 是控制调用，不是工具

教学 harness 的最小动作集只有五个（slides L2 p.7-12）：四个真工具，加一个控制调用。最容易考错、也最容易写错的，是那个不算工具的 finish。

finish(text) 是控制调用（control call）。 模型提议它，接住它的却是 harness 本身：一收到 finish，循环终止，harness 用其中的文本作为最终答案向用户归纳。循环何时停也是模型决策的一部分，harness 并没有写死轮数。

问加纳首都那题的完整走法：先 search_web 取证，观测回填，再 finish("加纳的首都是 Accra。") 收束。

其余四个才是真正的工具：

• search_web("site:cmu.edu 今日公告")：连搜索算子也是参数，site: 前缀是写给搜索引擎的指令；
• execute_code("sum([18, 23, 41, 54])/4")：精确计算交给代码，一行算出 34，胜过模型千次心算；
• generate_image(query)：生成能力整体外包；
• create_grocery_cart(items)：作用于外部状态的典型，返回 Cart C17 · 3 items · $31.42，世界被切实改变，模型再据此组织下一步。

把主权分离画进同一张图，五类接口各就各位：

四、窄接口设计：从「构建 ChatGPT」倒推能力清单

讲义给了一个可复用的设计方法（slides L2 p.6）：假设你要构建自己的 ChatGPT，倒推它需要哪些能力。

• 要答今天的新闻，就得有 search；
• 要算得准，就得有 execute_code；
• 要替用户下单，就得有账户 API。

倒推的终点，是一组精心收窄的窄接口（narrow interface）：每个能力对应一个窄工具，而不是一个万能接口。

窄的好处直接长在定义里。接口越窄，模型提议越容易对：参数少而明确，何时调、调谁一目了然。harness 执行也越容易稳：校验、限流、审计都能按工具逐一设防。

课程把这条原则推到谱系另一端的故事，留给了伴读笔记第三节：与其递一箩筐细粒度函数，不如给模型一个 shell，让它用代码自己组合。

走到极致的真实样本是 mini-swe-agent，Princeton 与 Stanford、SWE-bench 原班人马出品，仍在活跃维护。它号称「100 行的 AI agent」，只用 bash 一个工具、没有独立的工具调用接口，SWE-bench Verified 上仍拿到 74%+。

窄接口把每个能力做成一个明确的开关，通用程序接口把全部能力收进一个终端。选哪端，是 code-vs-json 一节专门要辩的题。

想继续往下读，四篇读物各管一段：

• What Are Tools Anyway?：COLM 2024 的经典，官方指定第一篇读物，把工具的知识论说透。
• Tool Learning with Large Language Models: A Survey：Frontiers of Computer Science 已录用，给出任务规划、工具选择、工具调用、响应生成的四阶段工作流；截至 2026 年 10 月，仍是能找到的最新通用工具学习综述。
• Empowering Multimodal LLMs with External Tools：2025 年 8 月的多模态综述，generate_image 这类接口就落在它的领地。
• OpenAI Function Calling 指南：行业侧的事实标准，十分钟可读完上手。

与本讲的连接

本篇是伴读笔记第二节工具调用卡片的下钻层，对应概念卡 Tool Use 与 Function Calling 的正面，也直接服务讲次页 quiz 里 finish 与调用时机相关的题目。finish 分流漏写，agent 就永远停不下来，这坑等你动手写第一个 harness 时见。

往后四个衔接点，各管一段：

• react-trace：模型提议的调用在轨迹层怎么走，Thought/Action/Observation 与 call ID
• schema-trilogy：调用在词元层被写成什么，三套私语
• grammar-mask：格式怎么被硬保证，约束解码
• tool-learning：会用工具怎么训练进模型

资料卡三张各就其位：m-what-are-tools 是官方指定第一篇读物，m-tool-learning-survey 给全景地图，m-openai-fc-guide 是动手第一站。最后数一遍动作集：search_web、execute_code、generate_image、create_grocery_cart 四个真工具，一个 finish 管停，一共五个。