基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-18 02:22

用 Python 和 Ollama 跑通本地工具调用

dev.to · AI#Ollama#Python#工具调用
Editor brief · 编辑速览

教程用 Ollama 运行 Qwen3 8B,并将 Python 计算器函数注册为工具。模型发起调用,Python 应用执行函数并回传结果,模型据此生成最终答复。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

给本地模型一道算术题,让它自己决定要不要调用计算器。作者用 Ollama、Qwen3 8B 和 Python 搭了一个最小 Agent,把工具调用拆成几个看得见的步骤:模型提出请求,应用执行函数,再把结果交回模型生成答案。

这个例子适合想弄清 Agent 怎么跑的前端和全栈开发者。项目只有一个工具,最多跑五步,你可以顺着一条请求看清每一步由谁负责,以及应用在哪里决定继续或停止。

模型要用计算器时,谁来执行?

作者预设的任务是 Calculate (125 * 8) + 37,期望结果为 1037。Python 应用把任务交给本地的 Qwen3 8B,并把计算器函数作为可用工具提供给模型。模型在需要时发出调用请求,Python 执行计算,把结果交回模型,模型再生成给用户看的答复。

模型负责请求工具,应用负责执行工具。

这条分工解释了为什么工具调用需要应用参与。模型发出的调用请求只是供程序处理的数据,真正的计算发生在 Python 函数里。应用拿到计算结果后,还要把它带回对话,模型才有机会据此完成回答。

为什么要限制计算器和循环步数?

计算器用 Python 的 AST(抽象语法树)模块解析表达式,只计算代码明确支持的基本算术操作,避开不受限制的 eval()。可以把 AST 理解成表达式拆解后的结构,程序可以逐项判断遇到的操作是否允许。

循环也有上限,最多执行五步。应用在循环中处理工具请求并回传结果,收到最终答复或达到上限时就停止。原文没有说明达到上限时会给用户返回什么,也没有给出五步适用范围的测试结果。这个数字可以当作示例的运行预算。

本地跑起来需要什么?

需要 Python 3.10+、Ollama,以及足够运行模型的可用内存。先执行 ollama pull qwen3:8b 拉取模型。这套配置在本机运行,无需单独申请托管 AI API 的密钥,原文没有给出具体内存门槛。

下面两条命令获取项目源码并进入项目目录。

git clone https://github.com/chaitasipatel25/local-ai-agent.git
cd local-ai-agent

第二行要进入克隆生成的 local-ai-agent 目录,后面的启动命令会在当前目录查找 agent.py。

接下来安装 Python 依赖并启动示例。

python -m pip install ollama
python agent.py

第一行安装的是 Python 侧的 ollama 依赖。前面拉取模型以及运行模型所需的 Ollama 环境,要另外准备。原文还提到仓库里有计算器测试,正文给出的是算题的期望值,没有贴出测试输出或完整的调用日志。

我的判断

这个示例最适合用来理解一次工具调用的来回过程。固定题目和单个工具让排查很直接,模型有没有请求计算器、Python 有没有执行、结果有没有传回,分别都能观察。若需求只是计算这道题,直接调用计算器函数更简单。把模型加进来,练习的是如何把自然语言任务交给程序执行。

作者建议先用单模型、单工具和一个循环熟悉流程,再考虑框架。这是经验之谈,原文没有比较框架方案与手写循环的开发成本,也没有给出工具调用成功率。动态输入、多步任务和会话历史是作者列出的后续探索,当前的单题示例无法说明这些场景里的表现。

能拿来做什么

  • 跑固定算题时,分别记下模型的工具请求、Python 的计算结果和最终答复,确认 1037 有没有沿着这条链路传回。
  • 接入动态输入前,先用现有的计算器测试核对支持的运算,再补一个不支持的表达式,看看错误能否让调用方读懂。
  • 想练习增加工具,可以先加一个单位换算函数,观察模型如何在两个工具之间选择,以及应用在达到五步上限时如何收尾。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
排查 Kiro 钩子失效并迁移 Windsurf 规则
下一篇
实测三款编程智能体常装错依赖版本

资讯速览

dev.to · AI · 2026-11-18 02:22

AI 评分 8.0 / 10

相关标签

#Ollama#Python#工具调用

继续阅读

  • 智能体跨会话记忆为何难做
  • 排查 Kiro 钩子失效并迁移 Windsurf 规则
  • 实测三款编程智能体常装错依赖版本
  • 编程 Agent 的沙箱管不住外部服务
  • Cairnly 开源了一条可追溯的 RAG 链路