從頭構建基本AI代理：工具
本文介紹如何透過新增工具來增強基本AI代理，使其能夠與計算機環境互動。涵蓋工具定義、代理使用方式以及七個必備工具（bash、檔案讀寫、檔案搜尋、grep、網頁獲取等）的Python實現和工具模式定義。
在之前的文章中，我們構建了最基本的AI代理框架，它僅能根據內部知識回應使用者輸入。但要讓代理真正有用，我們需要賦予它執行操作的能力，而工具（Tools）正是實現這一點的關鍵。工具是暴露給大語言模型（LLM）的函式或程式，使其能夠自主呼叫。本文將繼續擴充套件基礎代理，新增七種實用工具。
首先，工具的定義可以簡單如一個Python函式，也可以複雜如MCP伺服器。現代LLM透過原生工具呼叫（native tool calling）支援以JSON格式生成工具請求，提升了可靠性。我們實現的第一個工具是run_bash，允許代理執行Bash命令——這是最強大的工具，但也最危險，因為它賦予代理完全的系統訪問許可權。後續文章會討論安全措施。
接下來是檔案操作工具。read_file可以讀取檔案內容並顯示行號，支援偏移和行數限制。glob_files用於按模式查詢檔案，grep則透過正規表示式搜尋檔案內容，並返回匹配行及檔案路徑。write_file用於建立或覆蓋檔案，自動建立父目錄。edit_file進行精確的字串替換，比全量寫入更安全。最後，webfetch工具可獲取網頁內容並轉換為純文本，限制為HTTP/HTTPS且最大2MB。
所有工具都需要定義模式（schema）供LLM識別。程式碼中透過get_tool_schemas函式返回每個工具的名稱、描述和引數結構。在代理迴圈中，我們透過TOOL_REGISTRY對映工具名稱到實際函式，並在LLM返回工具呼叫時執行相應函式，將結果附加到對話中。系統提示詞中明確告知代理其可用工具。
這七種工具構成了AI代理與計算機互動的基礎。它們組合使用，使代理能夠探索檔案系統、讀寫檔案、執行命令和獲取網路資訊。後續文章將在此基礎上新增更多高階功能和安全加固。透過這種方式，我們可以逐步構建出功能強大的自主代理系統。