理论：
模型决策是否调用工具：“工具使用的一个重要特性是条件性调用。 模型并非对所有问题都盲目调用工具，而是能智能判断”：哪些问题要调用工具，哪些不需要就能解决答复。
工具即函数，工具类型：1.网络搜索——》获取实时数据 2.函数计算——》执行计算 3.数据库执行动作——》访问数据库。
工具使用的意义和核心价值：见最后总结。
如今的主流语言模型都经过直接训练去使用工具，没有训练的语言模型就必须得写提示词来告诉模型如何使用工具。
使用工具步骤：
1.实现工具：开发者编写功能函数：例如 get_current_time()。
2.设计系统提示告知模型：开发者编写系统提示词 (System Prompt)，告诉模型可以访问哪些工具，并规定调用它的精确格式（即如何请求调用）。
3.1用户提问
3.2 LLM决策，分析问题后，意识到调用工具
3.3 LLM模型根据提示词输出特定格式的文本：这个文本不是最终答案，而是一个“请求”，例如 FUNCTION: get_current_time()。
4.1解析输出：开发者编写代码解析，监听读取模型的输出;
4.2意图识别，识别输出中是否包含“FUNCTION”关键字的“请求”，
4.3 提取这个“请求”的参数， 然后真正地调用对应的函数，获得返回值。
5.构建对话历史：将函数结果连同之前的对话历史（用户问题和llm的函数请求）作为新的上下文输入给模型。【LLM（大语言模型）本身不会直接调用工具。LLM 会“请求”开发者去调用某个工具，开发者负责执行该工具并将其结果返回给 LLM。】
5.2反馈结果：让LLM模型生成最终的自然语言回复。
AISuite 仓库
AISuite 负责 schema 暴露、参数绑定、执行与步骤间结果传递——你可以专注于智能体做成了什么，而不是如何调用 API。
疑问点：
1）docstring 是什么？
“你已经看到工具的 docstring 可以帮助 aisuite 自动把函数变成 LLM 可用的工具”清晰且文档完备的函数（精确的 docstring）有助于模型判断何时、如何使用工具。
2）schema 是什么？
关键收获：
让系统自己编写并执行代码来解决问题：
1.设计系统提示词 (System Prompt)2.模型输出3.提取与执行4.反馈与格式化 沙盒环境
MCP (Model Context Protocol)-模型上下文协议
MPC核心组件：
1. 客户端 (Clients)
角色：希望访问外部工具或数据的应用程序。示例：Cursor, Claude Desktop, Windsurf。功能：向 MCP 服务器发送请求，获取数据或执行操作。
2. 服务器 (Servers)
角色：提供工具和数据源的软件服务。示例：Slack, Google Drive, GitHub, PostgreSQL。功能：作为“包装器”，接收来自客户端的请求，并将其转换为对原始工具 API 的调用，然后将结果返回给客户端。来源：部分服务器由服务提供商开发，但也有大量第三方开发者贡献。
