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 2：SQL 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": "john@example.com",
  "subject": "Meeting",
  "body": "Let's 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

想象一家餐厅。

顾客：

我要一份披萨。

服务员（GPT）：

写下订单。

5号桌要一份披萨。

厨房（工具/API）：

实际烹饪披萨。

服务员（GPT）：

把披萨端回来。

服务员从不做饭。

厨房从不与顾客交谈。

各司其职。

顾客
   ↓
GPT（服务员）
   ↓
工具/API（厨房）
   ↓
GPT（服务员）
   ↓
顾客

---

LLM = 决策者
工具 = 执行者

或者更简单地说：

LLM 思考。
代码 行动。

---

总结

LLM 做决策，
代码 来执行。

这一句话几乎解释了你将构建的每一个 AI Agent、聊天机器人、智能助手和工具调用系统。