大多数初学者以为是这样的用户 ↓ GPT ↓ 天气 API但事实并非如此。真相是用户 ↓ GPT ↓ 描述工具调用的文本 ↓ 你的 Python 代码 ↓ 天气 API ↓ 你的 Python 代码 ↓ GPT ↓ 回答这是 AI 工程中最重要的概念之一。黄金法则LLM 只做一件事生成下一个 token。就这样。不会调用 API。不会访问数据库。不会发送邮件。不会查询天气。不会预订航班。只会生成文本。想象 GPT 被困在一个盒子里把 GPT 想象成一个被锁在房间里的非常聪明的人。这个人可以✅ 阅读文本✅ 书写文本这个人不能❌ 访问互联网❌ 打开数据库❌ 调用 API❌ 运行 Python❌ 发送邮件这个人唯一能做的就是在纸上写下指令。这就是 LLM 的工作方式。示例 1天气机器人用户问德里的天气怎么样大多数人想象的是用户 ↓ GPT ↓ 天气 API ↓ 回答现实用户 ↓ GPT ↓ 我需要深圳的天气 ↓ Python 代码 ↓ 天气 API ↓ Python 代码 ↓ GPT ↓ 回答GPT 首先生成类似这样的内容{ tool: get_weather, city: Shenzhen }注意一个重要的事情。GPT 并没有调用天气 API。GPT 仅仅是生成了描述工具调用的文本。你的代码才是真正干活的你的 Python 代码看到{ tool: get_weather, city: Shenzhen }然后执行weather get_weather(Shenzhen)现在 API 才被真正调用了。返回结果可能是{ temperature: 36, condition: Sunny }你的代码将结果发回给 GPT。然后 GPT 写出德里的天气是 36°C晴天。把 GPT 想象成一个经理想象一家公司。经理GPT说查一下德里的天气。员工Python 代码实际执行调用 API获取结果返回结果经理GPT向客户解释结果36°C晴天。GPT 是经理。你的代码是员工。经理从不离开办公室。示例 2SQL 数据库用户问我们有多少客户GPT 无法访问数据库。GPT 生成的是SELECT COUNT(*) FROM customers;你的代码执行这条 SQL。数据库返回12567你的代码发送{ customer_count: 12567 }回给 GPT。GPT 回复您目前有 12,567 位客户。再次强调GPT 从未接触过数据库。你的代码做了这件事。示例 3发送邮件用户说给 John 发一封邮件。GPT 无法发送邮件。它只能生成{ tool: send_email, to: johnexample.com, subject: Meeting, body: Lets meet tomorrow. }你的代码接收到这段内容。然后send_email(...)才被真正执行。没有你的代码什么也不会发生。你永远不会忘记的心智模型