02 - 给 Agent 装上工具：从”只会聊天”到”能干活”
一句话总结：工具（Tools）让 Agent 从一个只会动嘴的聊天机器人，变成一个能查数据、搜信息、调接口的全能干将。
没有工具的 Agent，就是个”嘴强王者”
上一篇我们创建了第一个 Agent，它能聊天、能回答问题，看起来很厉害对吧？但你仔细想想，它的所有回答都来自训练数据 – 它没法查实时股价，没法搜最新新闻，更没法帮你调用你自己的业务接口。
打个比方：大语言模型就像一个非常聪明的人，脑子里装了很多知识，但他被关在一个房间里，既没有手机也没有电脑。你问他”今天天气怎么样”，他只能猜。但如果你给他一部手机（搜索工具）、一台电脑（数据查询工具）、甚至一把螺丝刀（自定义工具），那他就能真正帮你干活了。
在 Agno 里，这些”手机、电脑、螺丝刀”统称为 Tools（工具）。
第一个工具：用 YFinance 查股票
Agno 内置了不少现成的工具，开箱即用。我们先来试试 YFinanceTools，它能直接从 Yahoo Finance 拉取股票数据。
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.yfinance import YFinanceTools
agent = Agent(
name="股票分析师",
model=OpenAIChat(id="gpt-4o-mini"),
tools=[YFinanceTools()],
instructions="你是一个股票分析师，用中文回答，数据来源于Yahoo Finance",
markdown=True,
)
agent.print_response("NVIDIA 现在的股价是多少？", stream=True)
运行后你会看到 Agent 不再”瞎猜”了 – 它会调用 get_current_stock_price 函数去 Yahoo Finance 查真实数据，然后把结果整理成自然语言返回给你。
注意 tools 参数接收的是一个列表。这意味着你可以同时给 Agent 装多个工具，后面会讲到。
搜索工具：用 DuckDuckGo 搜网络
查股票只是开胃菜，搜索才是最常用的能力。Agno 内置了 DuckDuckGoTools，让 Agent 能搜索网页和新闻。
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools
agent = Agent(
name="搜索助手",
model=OpenAIChat(id="gpt-4o-mini"),
tools=[DuckDuckGoTools()],
instructions="你是一个搜索助手，帮用户搜索信息并用中文总结",
markdown=True,
)
agent.print_response("2024年诺贝尔物理学奖得主是谁？", stream=True)
这次 Agent 会先用 DuckDuckGo 搜索相关信息，拿到结果后再总结成中文回答。你训练数据里没有的最新信息，搜一搜就有了。
多工具组合：一个 Agent，多种能力
前面说了 tools 是个列表，所以我们完全可以把多个工具塞给同一个 Agent，让它自己判断该用哪个。
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.yfinance import YFinanceTools
from agno.tools.duckduckgo import DuckDuckGoTools
agent = Agent(
name="全能助手",
model=OpenAIChat(id="gpt-4o-mini"),
tools=[YFinanceTools(), DuckDuckGoTools()],
instructions="你是一个全能助手，可以查股票数据也可以搜索网络信息",
markdown=True,
)
agent.print_response("搜索一下NVIDIA最近有什么大新闻，然后查一下它的股价", stream=True)
这里发生了一件很酷的事情：Agent 自己决定先用 DuckDuckGo 搜新闻，再用 YFinance 查股价，最后把两部分信息整合成一个完整的回答。你不需要写任何调度逻辑，LLM 自己搞定。
自定义工具：用 @tool 装饰器
内置工具再多，也不可能覆盖你所有的业务场景。好消息是，在 Agno 里写自定义工具非常简单 – 写个函数，加个 @tool 装饰器就行。
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools import tool
@tool
def get_weather(city: str) -> str:
"""获取指定城市的天气信息"""
# 这里用模拟数据，实际项目中可以调用天气API
weather_data = {
"北京": "晴，25度C",
"上海": "多云，28度C",
"深圳": "小雨，30度C",
}
return weather_data.get(city, f"暂无{city}的天气数据")
agent = Agent(
name="天气助手",
model=OpenAIChat(id="gpt-4o-mini"),
tools=[get_weather],
instructions="你是一个天气助手，帮用户查询天气",
)
agent.print_response("北京今天天气怎么样？")
几个关键点：
- 函数签名很重要：参数名和类型提示会被传给 LLM，让它知道怎么调用
- docstring 更重要：它是 LLM 理解”这个工具是干什么的”唯一依据。写清楚，LLM 才知道什么时候该用它
- 返回值：工具的返回值会被送回给 LLM，由 LLM 组织成最终回答
工具类 Toolkit：管理一组相关工具
如果你有好几个相关的工具函数（比如一组数学运算），把它们散落在各处不太优雅。这时候可以用 Toolkit 类把它们组织起来。
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools import Toolkit
class MathTools(Toolkit):
def __init__(self):
super().__init__(
name="math_tools",
tools=[self.add, self.multiply],
)
def add(self, a: float, b: float) -> str:
"""计算两个数的和
Args:
a: 第一个数
b: 第二个数
Returns:
两个数的和
"""
return str(a + b)
def multiply(self, a: float, b: float) -> str:
"""计算两个数的积
Args:
a: 第一个数
b: 第二个数
Returns:
两个数的积
"""
return str(a * b)
agent = Agent(
model=OpenAIChat(id="gpt-4o-mini"),
tools=[MathTools()],
)
agent.print_response("计算 23.5 + 17.8，然后把结果乘以 3")
Toolkit 和 @tool 装饰器的区别：
| 场景 | 推荐方式 |
|---|---|
| 一两个独立的工具函数 | @tool 装饰器 |
| 一组相关的工具，或者工具需要共享状态 | Toolkit 类 |
比如数据库查询工具需要共享连接池，天气工具需要共享 API key，这种情况用 Toolkit 就很合适 – 把共享的东西放在 self 上，各个工具方法都能访问。
工具调用是怎么工作的？
你可能好奇：Agent 是怎么知道该调用哪个工具的？这里简单说一下底层流程：
1. 你提问："北京今天天气怎么样？"
|
v
2. Agent 把你的问题 + 所有工具的定义（名称、描述、参数）一起发给 LLM
|
v
3. LLM 分析后决定：我应该调用 get_weather 工具，参数是 city="北京"
|
v
4. Agno 框架执行 get_weather("北京")，拿到结果 "晴，25度C"
|
v
5. Agno 把工具执行结果发回给 LLM
|
v
6. LLM 基于工具结果生成最终回答："北京今天天气晴朗，气温25度。"
所以本质上，LLM 并不是自己去查天气的 – 它只是决定要查天气，然后告诉框架”帮我调这个函数，参数是这些”。框架执行完后把结果喂回来，LLM 再组织语言回答你。
这就是为什么 docstring 那么重要：它是 LLM 做决策的依据。如果你的工具描述写得含糊不清，LLM 可能根本不知道什么时候该用它。
本篇小结
tools参数接收一个列表，可以混合使用内置工具和自定义工具- Agno 内置了不少好用的工具：
YFinanceTools（股票）、DuckDuckGoTools（搜索）、ShellTools（命令行）、PythonTools（执行 Python）等等 - 用
@tool装饰器可以把任意函数变成 Agent 工具，简单快捷 - 用
Toolkit类可以组织一组相关的工具，适合需要共享状态的场景 - 工具的 docstring 是灵魂 – 写清楚功能描述和参数说明，LLM 才能正确使用它
下一篇预告
03 - 让 Agent 说”结构化的话”：用 Pydantic 控制输出格式
到目前为止，Agent 的回答都是自由发挥的自然语言。但在实际项目中，你往往需要 Agent 返回结构化的数据 – 比如一个 JSON 对象、一个固定格式的分析报告。下一篇我们来看看怎么用 Pydantic 的 output_schema 让 Agent 的输出变得可控、可解析。