Week 1 · Agent 与 Tool Calling
可复习 · 待写自己的解释本章材料
- Anthropic · Tool use with Claude：工具调用的基本流程
- OpenAI Agents SDK · Tools：在 Agents SDK 里怎样定义工具
- Anthropic · Building effective agents：workflow 和 agent 的区别，以及什么时候不需要 agent
- DeepLearning.AI · Agentic AI（吴恩达）：Module 1 讲什么是 agentic AI、自主程度（degrees of autonomy）
你四周计划里的具体视频（OpenAI Academy、DeepLearning.AI、Agents SDK 教程）还在 Notion 里，导入后放在这里。
重点
- 大语言模型本身只会生成文字。 Tool calling 让它可以“请求”程序去做事：模型输出一个结构化的请求（工具名 + JSON 参数），由你的程序真正执行。
- 一次工具调用的流程：把工具的名称、说明和参数格式告诉模型 → 模型决定要不要调用、填什么参数 → 程序执行 → 把结果交回模型 → 模型据此回答，或者再调用一次。
- 工具说明是写给模型看的“界面文案”。 名称、描述、参数写得含糊，模型就容易选错工具、填错参数。
- Agent = 模型 + 工具 + 循环。 模型可以连续多次调用工具，自己决定下一步，直到任务完成。
- 自主程度是一条光谱。 Anthropic 把步骤由代码预先定好的叫 workflow，由模型自己决定步骤和工具的叫 agent；吴恩达的课程用 degrees of autonomy 描述同一件事。
由 Claude 根据 Anthropic 的 Tool use 文档和 Building effective agents、OpenAI Agents SDK 的 Tools 文档 整理。读的时候哪一条看不懂，就把它记到「复习」的“我卡在哪里”。
难点
- 模型不会自己执行任何东西。 真正动手的是程序，所以能做什么、出错了谁承担，是由程序和产品设计决定的。
- 模型可能编造参数、选错工具。 参数要校验，比如收款人是否真的存在，不能直接信任。
- 合法的 JSON 不等于正确的内容。 结构化输出只保证格式。
- 不是所有任务都需要 agent。 Anthropic 的建议是从最简单的方案开始，确实需要时才增加自主性。
由 Claude 根据 Anthropic 的 Building effective agents 整理。读的时候哪一条看不懂，就把它记到「复习」的“我卡在哪里”。
动手看
容易混淆的几个概念
| 概念 | 是什么 | 由谁完成 |
|---|---|---|
| 工具说明（tool definition） | 工具名、用途、参数格式 | 开发者写，发给模型看 |
| 工具调用请求（tool call） | 模型输出的“我想调用 X，参数是 Y” | 模型 |
| 执行 | 真正去查数据库、发邮件、转账 | 你的程序 |
| 工具结果（tool result） | 执行后的返回值，交回给模型 | 程序 |
| 最终回答 | 根据结果给用户的答复 | 模型 |
一个记法：模型只负责“说要做什么”，程序负责“真的去做”。
来源
- 材料见本页“本章材料”，所有链接都在 2026-10-29 打开确认过。
- 重点、难点、示意流程和测验由 Claude 根据本页“本章材料”里的文档整理。示意流程和操作清单是虚构的教学例子，不是真实运行的结果。
- 学习目标来自你的四周 Agent 学习计划截图；计划里的具体视频和任务尚未导入。