跳到主要内容

A1.2 会用工具，是训练出来的

同一份说明书，两代模型​

把上一节那份 exchange_rate 的说明书原封不动拿给 2022 年的模型，它多半会把 JSON Schema 当成普通文本复述一遍，或者「调用」出一个格式稀碎的四不像。拿给 2026 年的模型，它一看就会：选对工具、填对参数、格式分毫不差。

中间差的不是说明书，是训练。「会用工具」不是 API 的功能开关，而是一种模型能力——和上篇讲过的所有能力一样，它是喂出来的。来源可以拆成三层。

三层能力来源​

第一层：预训练埋底子。 模型在预训练里读过海量代码和 API 文档（上篇 4.1 节讲过：代码数据练逻辑）——函数签名、参数表、JSON、调用示例，它全都「见过」。所以「按格式描述一次调用」对它来说不是外语，而是训练语料里出现过亿万次的母语方言。预训练给的是底子：认识说明书这种文体。

第二层：SFT 教格式。 光认识不够，还要教会「在对话里规矩地用」。做法与上篇 5.2 节完全同款：准备几万条「问题 + 正确调用轨迹」的示范数据（示范里多了 tool_use、tool_result 这些格式块），继续做「预测下一个词」训练。SFT 之后，模型看到工具清单就知道：该用这种格式递纸条、该等结果回来再说话。

第三层：RL 精修判断。 最难教的不是格式，是判断——这道题到底该不该用工具？该用哪个？强化学习登场：用可验证的任务练（调用对了 → 任务成功 → 有奖励），和上篇 5.5 节的 RLVR 一脉相承。2025 年以来的前沿是端到端的 agentic RL：不再只优化单次调用，而是把整条多步轨迹（查了什么、试了几次、最后办没办成）当成一个整体来奖励。

一句话版本：预训练让它「见过」，SFT 让它「会写」，RL 让它「会判断」。

「不用工具」也是一种能力​

有一种病叫过度调用：明明 3 + 5 心算就行，也要按一下计算器；用户说句「你好呀」，它先去搜索一番。每次多余的调用都是白花的延迟和 token。

上一节实验的第五题（寒暄题）就是为此设计的：模型的正确决策是「这只是寒暄——不缺任何信息，直接回应就好」。这种克制不是天生的——训练数据里要专门喂反例：大量「不需要工具、直接回答才是正确示范」的样本。会伸手重要，知道什么时候不伸手同样重要。

选型时的现实差距​

工具调用能力是各家模型拉开差距最明显的维度之一，也是智能体应用选型的关键指标。业界有专门的评测基准衡量它——BFCL（伯克利函数调用排行榜）测单次与多轮调用的准确率，τ-bench 测真实客服场景里的多步工具任务（2025-2026 年被广泛引用）。同一份工具清单，不同模型的任务成功率可以差出几十个百分点。

「训练出来的直觉」意味着什么？

意味着它会以出人意料的方式失灵：同一个问题换个措辞，它可能就不调用工具了；上下文里混进一段无关内容，它可能被带偏去调用完全不相干的工具。这不是 bug 修一下就好的事——直觉没有 if-else 可改。工程上的对策不是「相信模型」，而是 A7 章的评测兜底：用足够多的用例反复测量它的调用行为，把「直觉的可靠性」变成一个可监控的数字。

小结​

本节要点
  • 会用工具是训练出来的能力：预训练「见过」（代码与 API 文档）、SFT「会写」（格式示范）、RL「会判断」（可验证奖励）。
  • 「不用工具」也要专门训练——过度调用是真实的病，反例数据是药。
  • 训练出的直觉会以意外方式失灵：换措辞、被无关内容带偏——可靠性靠评测兜底，不靠信仰。
📝 动手自测0/3
1. 三层能力来源中，「教会模型在对话里按正确格式生成 tool_use 块」主要靠哪一层？
2. 训练工具调用的 SFT 数据里，为什么 tool_result（工具返回的内容）不参与损失计算？
3. 一个智能体连用户说「谢谢」都要先调用一次搜索工具。从训练视角看，最对症的药是什么？

延伸阅读​