ChatGPT如何查天气？AI Agent工具调用循环解释

你问ChatGPT“现在巴黎天气怎么样”，它能立刻回答。但模型的训练数据早在几个月前就冻结了——它怎么可能知道此刻的天气？答案不是模型变聪明了，而是它学会了使用工具。这个看似简单的机制，正是聊天机器人进化为AI Agent的关键一步。

从聊天机器人到Agent：工具调用的本质

据YouTube科普短视频《How ChatGPT checks the weather: AI agents explained》的拆解，ChatGPT查天气的过程并不神秘。系统首先会告知模型有哪些工具可用，比如搜索网页、运行代码、查询天气。模型本身并不直接执行这些操作，而是生成一条特殊格式的消息，例如“调用天气工具，城市等于巴黎”。随后，常规代码接管，真正调用外部工具并将结果粘贴回对话中。模型读取结果后，再决定是直接回答用户，还是继续调用下一个工具。

这个流程揭示了一个常被忽略的事实：大语言模型本身只是一个文本预测器，它的“知识”止步于训练截止日期。工具调用把模型从封闭的知识库中解放出来，让它能触达实时信息、执行计算、操作外部系统。没有工具，ChatGPT对“此刻天气”这类问题只能诚实地说不知道。

Function Calling（函数调用） 是大语言模型平台提供的一种结构化输出机制。开发者预先定义工具的名称、功能描述和参数模式（通常用 JSON Schema 描述），模型在推理时若判断需要外部能力，就会输出一段符合该模式的 JSON 对象，而非自然语言。这段 JSON 由宿主程序解析后真正执行函数，并将返回值作为新消息回传给模型。其关键在于：模型只负责“决定调用什么、传什么参数”，实际执行完全由确定性代码完成。这既避免了模型直接操作外部系统带来的安全风险，也让调用过程可审计、可重试。OpenAI 于 2023 年 6 月推出该能力，此后成为各大模型平台的标准配置，也是构建 Agent 的基础设施。

一次天气查询背后的完整循环

把镜头拉近到单次查询。用户提问后，模型收到一份工具清单——这是系统提示的一部分，相当于告诉模型“你手头有这些能力”。模型判断需要天气数据，于是输出一条结构化的调用请求，而不是自然语言回答。外部代码解析这条请求，向天气API发起真实调用，拿到“巴黎，晴，18°C”之类的结构化结果，再把它作为一条新消息塞回对话上下文。

模型看到结果后做出判断：信息足够，生成最终回答；或者信息不足，继续调用另一个工具。这个“模型输出→代码执行→结果回填→模型再判断”的闭环，就是Agent的运行骨架。说个细节，模型始终没有离开文本生成的范畴——它负责决策和表达，执行交给确定性代码。这种分工让系统既保留了语言模型的灵活性，又获得了传统软件的可靠性。

Agent的定义：模型在循环中握有工具

视频给出了一个极简却精准的定义：Agent就是一个处于循环中、配有工具的模型。拆开来看，三个要素缺一不可。模型是决策核心，负责理解意图、选择工具、解读结果；工具是能力延伸，弥补模型在实时性、计算力和外部操作上的短板；循环是运行机制，让模型能根据每一步的反馈调整下一步动作，而不是一次性给出答案。

这个定义的价值在于剥离了营销话术。市面上关于Agent的描述常常堆砌“自主”“智能”“端到端”等词汇，但回到工程实现，它就是一个带工具调用能力的推理循环。理解这一点，开发者就能把注意力放在真正重要的地方：工具接口设计得是否清晰、循环的终止条件是否合理、错误处理是否健壮。模型再强，工具调不通、循环停不下来，Agent就无法可靠工作。

ReAct（Reasoning + Acting） 是 Agent 循环的经典范式，由 Shunyu Yao 等人于 2022 年提出。它让模型交替生成“思考”（Reasoning）和“行动”（Acting）：先分析当前状态、决定下一步做什么，再输出工具调用；工具结果返回后，模型基于新信息继续思考。这种交替结构使模型能够根据中间结果动态调整计划，而不是一次性规划全部步骤。ReAct 与本文描述的“模型输出→代码执行→结果回填→模型再判断”闭环高度一致，可视为该闭环在提示工程层面的具体实现。理解 ReAct 有助于开发者设计更合理的系统提示，引导模型在每一步都显式推理，从而减少盲目调用和循环失控。

工具调用能力的行业意义

天气查询只是最小示例，但它指向的方向很明确。当模型能调用搜索、代码执行、数据库查询、第三方API，聊天机器人的边界就从“对话”扩展到“做事”。客服Agent可以查订单、改地址；编程Agent可以跑测试、读报错、迭代修复；数据分析Agent可以写SQL、取数、生成图表。这些场景的共同点是：模型不需要记住所有知识，它只需要在正确的时刻调用正确的工具，并正确解读返回结果。

这也解释了为什么工具调用（function calling）会成为大模型平台的核心能力之一。模型厂商竞争的焦点，正从单纯的参数规模和基准分数，转向工具生态的丰富度与调用的可靠性。一个能稳定调用一百个工具的模型，在实际产品中的价值可能远高于一个基准分略高但工具调用频频出错的模型。

MCP（Model Context Protocol，模型上下文协议） 是 Anthropic 于 2024 年 11 月开源的标准化协议，旨在解决工具生态的碎片化问题。在 MCP 之前，每个模型平台定义工具的方式各不相同，开发者若要接入多个模型，需为每个平台重复编写适配层。MCP 用统一的客户端-服务器架构描述工具、资源和提示模板，使同一个工具服务器可被不同模型或 Agent 框架直接调用。这大幅降低了工具集成的边际成本，也让“一个模型稳定调用上百个工具”更具可行性。MCP 的出现标志着工具调用正从平台私有能力走向行业通用标准，是理解当前 Agent 生态演进不可忽略的一环。

结语

ChatGPT查天气的答案不在模型的权重里，而在模型、工具与循环构成的那条流水线上。理解这条流水线，也就理解了当下AI Agent热潮的技术底色：它不是魔法，是一套可以让语言模型安全地“伸手”触碰外部世界的工程模式。