LLM拥有很强的自助能力，可以自主判断是否使用工具，使用什么工具。一般来说，工具可以是函数，也可以是外部的MCP 服务，根据最新的资料，也可以是Claude code中的skill。函数通常是自定义的，使用token量不大，MCP会消耗大量的token，上下文较多，skill是新的技术，比较灵活，只获取description部分，必要时才进一步加载内容，消耗降低了很多。
这里的工具，类似之前software时代的开发插件、报表控件，可以扩展LLM的能力。Tool的返回结果会作为上下文传递给LLM，供后续使用。对于Tool Use来说，一个比较重要的特性是条件使用，LLM需要智能的判断什么时候使用Tool，什么时候调用自己的知识库，甚至使用RAG来获取更多资料。这个对LLM的要求能区分什么需求是静态的（可内化），什么需求是动态的（需求外）。
对于更复杂的需求，可以通过多个Tool Use 的串联，来形成工作流进行处理。Tool Use可以超越LLM的知识边界，实现复杂逻辑。当然，Tool Use 也可以封装到agent里，再抽象一层，最外层的LLM 只处理agent，具体的工作由各个agent 来调用Tool Use 或者agent的LLM节点来处理。
在Tool Use的早期，需要在提示词中明确：FUNCTION *** 来手动调用，现在随着LLM能力的增强，已经不需要手动明确了。只需在system prompt中对LLM明确告诉模型有哪些工具可用，如果需要调用某个function，应该如何格式化其输出。function 是可以带参数输入的，提示词和 LLM 的输出需要包含参数信息。函数执行的结果会作为新的上下文，送回给模型，让它继续推理或生成最终答案。
Andrew Ng团队开源了一个AI Suite 库，简化的封装了各个不同的LLM，提供了一个抽象层，可以自动处理工具描述，极大简化了开发流程。 当 函数传入 tools 参数后，AI Suite 会在后台自动为其生成一个 JSON Schema。这个 Schema 是传递给 LLM 的真实数据结构。需要注意的是，定义function时，要是一个带有清晰 docstring 的 Python 函数。
如果说有过多需要自定义的琐碎代码，影响节点的灵活性时，可以让LLM自己来创建function，在处理时有如下两个要点：1）指令模型：“编写代码来解决用户的问题”。 2）要求模型将答案以 Python 代码形式返回，并用 <execute_python> 和 </execute_python> 标签包裹。
LLM 自己创建的代码，可以通过python的exec（）函数来执行，也可以通过沙箱等手段来执行。代码可以通过正则表达式来进行提取，执行结果作为上下文，传入下一个节点。如果执行失败，失败的log 一样作为上下文进行返回，LLM通过Reflection 来对代码进行调整，重新尝试一轮迭代。
在沙盒环境外运行由模型生成的任意代码是有风险的。安全的代码执行很重要，尤其涉及到对唯一数据源的删除、修改等操作。推荐使用Docker、E2B等沙盒环境，对代码进行有效隔离。
MCP 作为function的一种扩展，现在已经成为行业标准，以CS的结构，不光提供数据的获取，也提供更多的资源操作。使用时需要注意token的消耗，可能比比较大量。
CC的skill 是在此基础上，将server段迁移到了本地，并很大程度减少上下文token的一种优化。
