企业官网建设流程全解析

Claude AI 工具调用完整指南：从计算器到多工具客服机器人

【免费下载链接】coursesAnthropic's educational courses项目地址: https://gitcode.com/GitHub_Trending/cours/courses

让 Claude 算"1984135 × 9343116"，它给出的结果会错掉约 550 亿——大模型做数学并不可靠，但如果你给它一个计算器，它就能稳定输出正确答案。这就是 AI 工具调用（tool use，也叫 function calling）的全部含义：模型自己不出手，而是"开口点菜"，由你的应用执行真实函数，再把结果喂回模型。Anthropic 官方课程 cours/courses 的 tool_use/ 目录用 6 个递进式 notebook，带你走完从单个工具到多工具客服机器人的完整路径。

先定义，后调用：工具由哪三样东西组成

模型不会凭空知道"有计算器可用"。每一次 API 请求里，你都要显式声明工具列表——模型没有任何内置的服务端工具。一个工具定义只有三个字段：

例如一个查订单的工具只需声明order_id为必填字符串；一个按邮箱/用户名/手机号查用户的工具，则用enum把key参数限定为三选一。定义完工具，整条链路就固定为 4 步闭环：① 你提交"工具集 + 用户问题"；② 模型回一个ToolUseBlock（内含工具名和参数）并停止；③ 你的应用执行函数，把结果作为tool_result消息送回；④ 模型基于结果组织最终回答。

🐔 课程里最直观的演示是鸡舍问题："我有 28 只鸡，飞走了 2 只，还剩几只？"模型收到计算器工具后，先返回ToolUseBlock(name='calculator', input={operand1: 28, operand2: 2, operation: 'subtract'})，应用执行calculator('subtract', 28, 2)得到 26，全程无需模型"心算"。

把工具当"格式模具"：零解析拿到结构化 JSON

想要情感分数、实体列表这类规范 JSON，直接"请模型输出 JSON"往往还得自己清洗字符串。03_structured_outputs.ipynb 里有个取巧做法：既然模型调用工具时天然会按input_schema吐出结构化参数，那就把目标数据结构定义成一个"假工具"——比如print_sentiment工具只声明positive_score、negative_score、neutral_score三个字段，模型返回的input就是现成的 JSON，直接取用即可。

这个技巧同样适用于实体抽取、Wikipedia 文章分类（主题 + 摘要 + 带分数的类目列表）等场景。配合tool_choice指定强制调用该工具，可以免去"求模型配合"的提示词博弈。

tool_result 的格式：最容易翻车的一步

四步闭环里第 3 步最讲究格式，也是课程花最多笔墨的地方。回传结果必须满足三点：

1. 新消息的role是user；
2. 内容块类型为tool_result；
3. tool_use_id必须与模型那条ToolUseBlock的id一一对应。

课程用"谁赢得了 2024 年大师赛"做了完整演示：模型先调用get_article工具，你的应用查 Wikipedia 拿到正文，再按上述格式回传，模型即可基于真实资料作答。如果一个问题需要连续多次调用（比如先查诺兰的奥斯卡数，再查斯泰勒的艾美奖数），把"执行 → 回传"包进循环即可，04_complete_workflow.ipynb 末尾的练习正是这个目标。

tool_choice 三种取值：默认、强制、任意

tool_choice参数控制模型"怎么选工具"，三种取值对应三种控制粒度：

⚠️ 课程里反复强调一个现象：模型"爱用工具"。问"祖母绿是什么颜色"，它可能硬调计算器加两个零。auto模式下最经济的修复手段是在 system prompt 里加一句"仅在必要时使用工具"，效果立竿见影。

多工具客服机器人：串联、越权与坑位清单

压轴课 06_chatbot_with_multiple_tools.ipynb 为虚构电子公司 TechNova 搭了个客服机器人，挂 4 个工具：get_user（按邮箱/用户名/手机号查人）、get_order_by_id、get_customer_orders、cancel_order。用户一句"帮我查订单，我邮箱是 john@gmail.com"，模型会先调get_user拿到 user_id，再用这个 id 调get_customer_orders——上一步输出成为下一步输入的工具链，完全由模型自主编排。

课程同时坦率展示了真实缺陷，整理成一份自检清单：

• 工具过度热情：模型在用户没给任何身份信息时，凭空编造邮箱去调get_user。修法：system prompt 明确"信息不全时先追问，禁止编造参数"。
• 越权风险：demo 里任何人只要知道别人邮箱就能取消订单。课程明确警告不得原样用于生产。
• 思考标签泄漏：Opus 会把<thinking>推理过程输出给用户。修法：要求模型把面向用户的回复包在<reply>标签里，只展示标签内容。
• 错误处理缺失：示例函数没有 try/except 和输入校验，真实系统必须补齐。

下一步

按顺序走完 01_tool_use_overview.ipynb 到 06_chatbot_with_multiple_tools.ipynb，每个 notebook 都带可运行示例和练习。若想先动手，直接打开 02_your_first_simple_tool.ipynb 复现鸡舍计算器，再挑一个自己的重复性任务（查库存、发邮件、抓数据）改写成工具，比读十遍理论都管用。

【免费下载链接】coursesAnthropic's educational courses项目地址: https://gitcode.com/GitHub_Trending/cours/courses