AI Case 8 · 大模型如何借助搜索工具获取实时信息

21天AI案例实践 · 第8期 | 关键词：Function Calling · Tool定义 · Agent搜索 · ReAct范式

大模型虽然知识储备丰富，但它的训练数据存在时效限制。面对"今天发生了什么"、"最新股价多少"这类问题，它只能无奈表示"我的知识截止到XXXX年"。

今天我们就来解决这个痛点——教AI学会上网搜索。

回想一下你遇到未知问题时的处理流程：打开搜索引擎 → 输入关键词 → 查看结果 → 提炼答案。

Function Calling 就是让AI也遵循这套标准流程。

整个系统分为四层：

这里有一个容易混淆的关键点：并非AI"主动"去执行搜索，而是LLM输出一种特殊的结构化响应（tool_call），由外部的 Agent 框架负责实际执行。

整个流程遵循 ReAct 范式（Reasoning + Acting）：

第1步：LLM 分析问题

用户问："今天有什么AI大新闻？" LLM思考：这个问题需要最新信息，我自己的知识储备不足 → 生成 tool_call: web_search("AI news today")

第2步：Agent 执行工具

Agent框架获取 tool_call → 调用 Google Search API → 获得10条搜索结果

第3步：结果返回 LLM

搜索结果作为上下文注入 → LLM基于搜索结果重新推理 → 生成最终回答

关键洞察：如果单次搜索不足，Agent 会自动发起第二轮、第三轮……直到认为信息充分为止。

下面是一个完整可运行的最小示例。仅用 65 行代码，涵盖了搜索 Agent 的全部核心逻辑。

开启 verbose=True 后，你可以看到 Agent 的完整推理过程：

LangChain 中定义一个 Tool 需要三要素：

描述写得好不好，直接决定 Agent 会不会用这个工具。 如果描述过于模糊，LLM 可能完全忽略它。

ReAct = Reasoning + Acting，是当前 Agent 领域最主流的范式：

上面的代码可以直接跑通，但要用于生产环境，建议补充以下几点：

第8期的核心心法：AI 的能力 = LLM的推理能力 × 可调用的工具数量。工具越丰富，AI能做的事情就越多。

🚀 下期预告：SQL智能查询助手 — 让AI直接用自然语言查数据库，零SQL基础也能做数据分析。

本文是「21天AI案例实践」系列第8期，每期一个可运行的AI实战项目。关注本号，不错过更新。