Tools 可以理解成：给 Agent 接上的“手、眼睛、耳朵和各种专业设备”。
LLM 本身主要负责：
理解 + 推理 + 决策 + 生成文字
但 Tools 负责：
真正接触外部世界并执行动作。
所以 Agent 的核心经常可以写成：
大脑 LLM + 工具 Tools + 工作流程
常见 Tools 大致是这些：
| Tool 类型 | 相当于 | 能干什么 |
|---|---|---|
| 🌐 Web / Browser | 眼睛 | 搜新闻、网页、财报、资料 |
| 🔎 Search | 搜索员 | Google/Bing/站内检索 |
| 📄 File Reader | 阅读器 | PDF、Word、Excel、Markdown |
| 🧮 Python / Calculator | 计算器 | 数据分析、统计、画图、金融计算 |
| 💻 Shell / Terminal | 双手 | 运行程序、安装依赖、处理文件 |
| 👨💻 Code Tool | 程序员 | 写代码、改代码、测试代码 |
| 🗄 Database | 档案柜 | SQL 查询、写入数据 |
| 🧠 Vector Search | 智能图书管理员 | RAG 检索知识库 |
| 邮件秘书 | 搜邮件、整理、草拟、发送 | |
| 📅 Calendar | 日程秘书 | 查日程、创建会议、提醒 |
| 📁 Cloud Storage | 文件柜 | Drive、Dropbox 等 |
| 🔗 API | 万能接口 | 调天气、股票、支付、地图等服务 |
| 🖥 Computer Use | 鼠标键盘 | 操作网页和软件界面 |
| 🤖 Automation | 定时员工 | 每天/每周自动执行任务 |
| 📷 Vision | 眼睛 | 看图片、截图、图表 |
| 🎨 Image Generation | 设计师 | 生成或修改图片 |
| 🔔 Notification | 通知员 | 条件满足时提醒你 |
关键是：不是 Tool 越多越厉害，而是要根据任务选择工具。
例如一个“金融研究 Agent”
如果你说：
“分析宁德时代最新一季度的投资价值。”
Agent 可以这样调用工具：
用户任务
↓
LLM 制定计划
↓
🌐 Web Search
找最新财报、公告、新闻
↓
📄 PDF Reader
读取财报
↓
🧮 Python
计算：
ROE
ROIC
毛利率
现金流
增长率
↓
🔎 Web
查竞争对手和行业数据
↓
🧠 RAG
查询你的金融知识库
↓
LLM
综合分析
↓
Reflection
检查逻辑漏洞
↓
📄 输出研究报告
注意这里：
LLM 决定干什么，Tool 负责真的去干。
再比如学习 Agent
你上传一本《公司理财》。
Agent 可以：
📄 File Reader
读取教材
↓
🧠 RAG
检索对应章节
↓
LLM
给你解释
↓
🧮 Python
生成计算例题
↓
Memory
记录你不会什么
↓
Automation
两天后给你复习
于是它不再只是：
“回答金融问题。”
而是在执行：
完整学习流程。
再比如创业研究 Agent
你说：
“帮我判断 AI 英语学习产品值不值得做。”
它可能：
🌐 搜索市场
↓
🌐 搜竞品
↓
📄 阅读竞品资料
↓
🧮 Python
测算：
用户数
价格
CAC
LTV
收入
利润
↓
LLM
分析商业模式
↓
Critic Agent
专门找失败原因
↓
生成创业分析
API 为什么特别重要？
因为绝大多数 Agent Tool，本质上最终都可以理解成：
AI 调用了一个函数 / API。
例如：
get_stock_price("AAPL")
返回：
最新股价数据
AI看到结果以后再决定：
“我要继续查财报。”
然后调用：
get_financial_report("AAPL")
再获得结果。
所以 Agent 很核心的循环其实就是：
思考
↓
选择工具
↓
调用工具
↓
得到结果
↓
观察结果
↓
再次思考
↓
选择下一个工具
这就是你前面学的 ReAct 开始和 Tools 连接起来了。
Tools 和 RAG 也要区分
RAG 严格来说，本身也可以作为一个 Tool。
例如 Agent 拥有：
Tools
├── Web Search
├── Calculator
├── Python
├── Email
├── Calendar
└── Search Knowledge Base
↑
RAG
AI觉得：
“这个问题应该查用户自己的资料。”
就调用：
search_knowledge_base()
这就是 RAG Tool。
我们现在这个 ChatGPT 环境里，其实也已经有很多 Tool 能力
在合适的任务下，我可以帮你做的包括：搜索公开网页、查找和读取文件、分析数据与运行 Python、处理 GitHub、在已连接的情况下处理 Gmail/日历/联系人、创建定时或条件任务、生成和编辑图片等。
所以你现在和我聊天时，有些时候已经不是纯粹：
User → LLM → Answer
而可能实际上是：
你
↓
GPT
↓
判断需要什么工具
↓
调用工具
↓
获取真实结果
↓
继续推理
↓
给你答案
这本身就已经是 Agent 思想的一部分。
真正理解 Tools 后，你可以记住一句：
没有 Tools 的 AI 是“军师”；有了 Tools 的 AI 才开始变成“执行者”。
而一个比较完整的 Agent，往往就是：
Prompt 定任务 → Plan 制定计划 → ReAct 决定下一步 → Tools 执行动作 → RAG 查知识 → Reflection 检查结果 → Memory 保存经验。
到这里，你前面问的这些模块其实已经基本连成一个完整系统了。