你有沒有想過，模型不只會回答，還能去查資料、算數字、發指令？ 你可以把工具使用能力想成「AI 會說話，也會動手做事」 模型先判斷要不要用工具，再把參數送出去，拿回結果後再繼續推理 它很適合查資料、呼叫 API 和執行工作流，但工具設計不好就容易出錯
容易混淆
工具使用能力 vs 提示工程 工具使用能力是模型和外部工具互動的能力 提示工程是你設計輸入內容的方法 最關鍵的區別：一個是系統能力，一個是輸入技巧
工具使用能力 vs 函數呼叫 工具使用能力是更大的概念 函數呼叫是常見的實作方式 最關鍵的區別：概念範圍不同
工具使用能力 vs 代理程式 工具使用能力是代理程式的重要零件 代理程式還要有規劃、記憶和迴圈 最關鍵的區別：工具只是其中一環
記住這句就好
會回答不夠，還要會選工具、填參數、讀結果。
實際案例
查資料 模型先呼叫搜尋或資料庫工具，再把找到的內容整理成答案，比憑空猜更可靠
工作流程 訂票、寄信、建日曆這類任務，需要模型把語意轉成可執行的動作
算法與應用
| 工具選擇 | 先判斷要不要查詢、計算或操作系統 | 選錯工具就會走偏 | | 參數生成 | 把自然語言轉成工具需要的欄位 | 欄位名要對得上 | | 結果回讀 | 把工具回傳的內容再整理成回答 | 這一步常決定可用性 | | 錯誤處理 | 處理缺值、失敗和格式不合 | 實務上很重要 |
情境判斷
Q1（直覺題）： 你要讓模型查今天會議室是否空著，適合用它嗎？
適合，因為這需要連到外部系統查詢。
Q2（判斷題）： 你只是想讓模型寫一段短文，還一定要接工具嗎？
不一定，純文字生成通常不需要工具，接了反而可能增加複雜度。
常見問題
工具使用能力一定要靠 API 嗎？
不一定，但最常見的實作就是把工具包成可呼叫的介面。
為什麼模型有時候會亂選工具？
因為它可能沒看清楚任務邊界，或工具描述寫得不夠明確。
工具使用能力和 RAG 一樣嗎？
不一樣，RAG 偏向先檢索資料再生成，工具使用還可能包含操作系統和執行動作。