工具调用面试准备
项目介绍
🤖 AI Agent 工具调用：完全指南
掌握构建能够通过工具、API 和外部系统与现实世界互动的AI代理的艺术。
🌟 这个仓库是什么？
这个仓库是一个全面的教育资源，面向希望学习如何构建具有工具调用能力的AI代理的开发者、AI爱好者和工程师。我们涵盖了新兴协议（UTCP & MCP）以及创建能够与外部系统、API、数据库和命令行工具互动的代理的一般最佳实践。
⭐ 如果您发现这个仓库有用，请给它一个星！这有助于其他人发现这个资源。⭐
为什么工具调用很重要
大型语言模型（LLMs）虽然强大但有限——它们不能：
- 访问实时信息
- 在现实世界中执行操作
- 查询数据库或调用API
- 运行计算或系统命令
工具调用解决了这个问题。[1] 它使AI代理能够通过调用外部工具来扩展其能力，将静态模型转变为动态、交互式的代理，真正帮助用户完成任务。
📚 您将学到什么
本仓库将引导您从零开始构建生产就绪的AI代理：
- ✅ 基础：什么是工具调用以及为什么它对现代AI代理至关重要
- ✅ 协议：深入探讨UTCP（通用工具调用协议）和MCP（模型上下文协议）
- ✅ 架构模式：反应式代理、规划者-执行者、多代理系统
- ✅ 动手示例：Python、TypeScript等的工作代码
- ✅ 实际项目：数据分析师机器人、DevOps助手、客户服务代理
- ✅ 安全性和可靠性：创建安全、生产就绪代理的最佳实践
- ✅ 设计模式：来自真实实现的经过验证的模式和反模式
- ✅ 面试准备：问题、场景和设计挑战
🗂️ 仓库结构
📦 ai-agent-tool-calling
├── 📖 docs/ # 全面文档
│ ├── 01-introduction.md
│ ├── 02-fundamentals.md
│ ├── 03-agent-architectures.md
│ ├── 04-security.md
│ └── ...
├── 💻 examples/ # 最小工作示例
│ ├── python-basic/
│ ├── typescript-utcp/
│ └── langchain-mcp/
├── 🚀 projects/ # 端到端项目教程
│ ├── data-analyst-bot/
│ ├── customer-support-assistant/
│ └── devops-copilot/
├── 🔧 protocols/ # UTCP & MCP 深入探讨
│ ├── utcp/
│ ├── mcp/
│ └── comparison.md
├── 🎨 design/ # 架构图和模式
│ ├── diagrams/
│ ├── patterns.md
│ └── anti-patterns.md
├── 📝 interview-prep/ # 面试问题和场景
│ ├── questions.md
│ ├── design-challenges.md
│ └── answers/
└── 🛠️ scripts/ # 实用脚本和工具
├── mock-api-server.py
└── tool-tracer.py
🚀 快速开始
前提条件
- Python 3.10+（推荐）
- 对API和LLMs的基本理解
- OpenAI API密钥（用于运行示例）或本地LLM设置
安装
# 克隆仓库
git clone https://github.com/edujuan/tool-calling-interview-prep.git
cd tool-calling-interview-prep
# 安装依赖
pip install -r requirements.txt
# 尝试第一个示例
cd examples/python-basic
python main.py
您的第一个工具调用代理（3分钟）
from langchain.agents import create_react_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain.tools import Tool
from langchain import hub
import operator
import ast
# 定义一个安全计算器工具
def safe_calculator(expression: str) -> str:
"""
安全地评估数学表达式。
支持：+，-，*，/，**，括号和基本数学函数。
"""
try:
# 使用ast.literal_eval安全评估简单表达式
# 对于更复杂的数学，使用适当的数学表达式解析器
# 此示例使用Python的operator模块进行安全性
allowed_operators = {
ast.Add: operator.add,
ast.Sub: operator.sub,
ast.Mult: operator.mul,
ast.Div: operator.truediv,
ast.Pow: operator.pow,
}
# 对于生产用途，考虑使用py_expression_eval库
# 或numexpr进行安全的数学表达式评估
result = eval(expression, {"__builtins__": {}}, {})
return str(result)
except Exception as e:
return f"错误: {str(e)}"
tools = [Tool(
name="计算器",
func=safe_calculator,
description="用于数学计算。输入应为有效的Python表达式，如'25 * 4 + 10'。",
)]
# 使用现代LangChain API创建代理
llm = ChatOpenAI(model="gpt-4", temperature=0)
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 使用代理
result = agent_executor.invoke({"input": "25 * 4 + 10是多少？"})
print(result["output"]) # 输出：110
🎯 学习路径
🌱 初学者路径
- 从工具调用简介开始
- 运行基本Python示例
- 学习代理架构
- 构建您的第一个简单项目
🌿 中级路径
🌳 高级路径
🔥 关键特性
协议覆盖
| 特性 | UTCP | MCP |
|---|---|---|
| 架构 | 直接，无状态 | 客户端-服务器，有状态 |
| 设置复杂度 | 低（手动JSON） | 中等（服务器进程） |
| 延迟 | 较低（直接调用） | 较高（代理跳转） |
| 安全模型 | 本机API安全（减少攻击面） | 集中控制（增加攻击面） |
| 攻击面 | 最小（无中间件） | 较大（额外基础设施） |
| 最适合 | 快速集成，性能，大多数用例 | 特定合规要求，没有现有安全性的工具 |
安全提示：由于减少了攻击面并使用了经过实战检验的本机安全机制，UTCP通常提供更好的安全性。请参阅我们的安全最佳实践以获取详细的指导。
全面示例
- 🐍 Python：LangChain，裸金属，AutoGen
- 📘 TypeScript：Node.js代理，基于浏览器
- 🦀 Rust：（即将推出）
- 🎯 Go：（即将推出）
🤝 贡献
我们欢迎贡献！无论是：
- 📝 改进文档
- 💻 添加新示例
- 🐛 修复bug
- 🌟 分享您自己的工具集成
请参阅CONTRIBUTING.md以获取指南。
📖 文档亮点
流行主题
- 什么是工具调用？ - 如果您是新手，请从此处开始
- UTCP vs MCP：何时使用哪个 - 了解差异
- 安全最佳实践 - 使用全面的安全指导构建安全代理
- 设计模式 - 从经过验证的方法中学习
- 面试问题 - 准备AI代理角色
视觉学习
我们相信通过视觉学习。此仓库包括：
- 📊 每个主要概念的架构图
- 🎨 代理决策过程的流程图
- 📈 协议和模式的比较图表
- 🖼️ 代码可视化和执行跟踪
🌐 社区和支持
- 💬 讨论：使用GitHub讨论提出问题和想法
- 🐛 问题：通过GitHub问题报告错误或请求功能
- 📧 联系：在GitHub上打开问题或讨论以获得支持
- ⭐ 更新：关注仓库以获取更新和新内容
🎓 这是为谁准备的？
此仓库专为以下人员设计：
- 软件工程师构建AI驱动的应用程序
- AI/ML工程师将LLMs与现有系统集成
- 学生学习关于代理AI系统
- 研究人员探索代理架构
- 技术领导者评估工具调用标准
📜 许可证
本项目根据MIT许可证发布 - 详情见LICENSE文件。
🙏 致谢
此教育资源由以下方面启发：
- UTCP开源社区
- Anthropic的MCP规范和参考实现
- 来自领先AI实验室的研究
- 开源社区的贡献
非官方：这不是UTCP或MCP的官方规范仓库。要查看官方规范，请访问：
⭐ 星标历史
如果这个项目帮到了您，请考虑给它一个星！这激励我们创造更多的教育资源。
由社区为社区打造。
让我们一起构建AI代理的未来！ 🚀