# 两个最普通的 Python 函数，就是"实习生能打的两个电话"
def get_weather(city):               # 工具1：查天气（这里写死，真实项目会调 API）
    return f"{city} 今天 5℃，有风"

def calculate(expr):                 # 工具2：算数
    return str(eval(expr))           # eval 把 "3*4" 这种字符串当算式算出来

# 工具表：名字 → 函数。循环里靠这张表按名字找到函数去执行
TOOLS = {"get_weather": get_weather, "calculate": calculate}

# 给 LLM 看的"说明书"：告诉它有哪些工具、怎么用
TOOLS_DOC = """你可以使用的工具：
- get_weather(city): 查某城市天气，参数 city 是城市名
- calculate(expr): 计算算式，参数 expr 是像 "3*4" 的字符串"""

import json
from openai import OpenAI          # Day11 学过的 SDK；换 Claude 同理
client = OpenAI()                  # 会自动读环境变量里的 API key

def 问大模型(messages):
    r = client.chat.completions.create(
        model="gpt-4o-mini",       # 便宜够用的小模型
        messages=messages,
        response_format={"type": "json_object"},  # 强制它只输出 JSON（Day14）
    )
    return json.loads(r.choices[0].message.content)   # 解析成字典好判断

import json
from openai import OpenAI
client = OpenAI()

# ---------- 1) 工具表 ----------
def get_weather(city): return f"{city} 今天 5℃，有风"
def calculate(expr):   return str(eval(expr))
TOOLS = {"get_weather": get_weather, "calculate": calculate}
TOOLS_DOC = """可用工具：
- get_weather(city): 查天气，参数 city
- calculate(expr): 算式计算，参数 expr（如 "3*4"）"""

# ---------- 2) 系统提示：教 LLM 用暗号格式回话 ----------
SYSTEM = f"""你是一个助手，能调用工具。{TOOLS_DOC}
每次只回一个 JSON：
- 要调工具：{{"action":"工具名","input":"参数"}}
- 能回答了：{{"action":"final","input":"给用户的话"}}"""

def run(question, max_steps=5):                 # max_steps = 循环上限，防死转
    messages = [{"role":"system","content":SYSTEM},
                {"role":"user","content":question}]   # 这就是 state：对话历史黑板
    for step in range(max_steps):               # ← while 主循环（限次数更安全）
        r = client.chat.completions.create(
            model="gpt-4o-mini", messages=messages,
            response_format={"type":"json_object"})
        reply = json.loads(r.choices[0].message.content)   # ①问 LLM
        messages.append({"role":"assistant","content":json.dumps(reply)})  # 追加它的话

        if reply["action"] == "final":          # ②是 final → 收工返回
            return reply["input"]

        tool = TOOLS.get(reply["action"])        # ③按名字找工具
        result = tool(reply["input"]) if tool else "没有这个工具"  # 执行拿结果
        print(f"  🔧 调用 {reply['action']}({reply['input']}) → {result}")
        messages.append({"role":"user","content":f"工具结果：{result}"})  # ④塞回黑板
    return "步数用尽，没得出最终答案"            # 兜底：超过上限也不无限转

print(run("北京天气怎么样？该穿厚衣服吗？"))

  🔧 调用 get_weather(北京) → 北京 今天 5℃，有风
北京今天 5℃ 还有风，挺冷的，建议穿厚外套 🧥

# 把 L05 里执行工具那句，升级成带护栏的版本
tool = TOOLS.get(reply["action"])
if tool is None:                          # 护栏③：工具名不存在
    result = f"没有名为 {reply['action']} 的工具"
else:
    try:                                  # 护栏②：执行出错也不崩
        result = tool(reply["input"])
    except Exception as e:
        result = f"工具执行出错：{e}"      # 把错误当结果塞回，让 LLM 换个思路
# 护栏①：for range(max_steps) 天然限制了最多转几圈

✋ 动手 10 分钟：给你的 Agent 加第三个工具

把 L05 完整代码敲进 day38.py 跑通后,自己动手加一个新工具,体会"扩展一个 Agent 有多简单"——只要往工具表和说明书里各加一行:

# 1) 写一个新函数
def now_time(_):                 # 参数用不到，写个 _ 占位
    from datetime import datetime
    return datetime.now().strftime("%H:%M")

# 2) 注册进工具表
TOOLS["now_time"] = now_time

# 3) 在 TOOLS_DOC 里加一行说明，让 LLM 知道它存在
#    - now_time(): 返回当前时间，不需要参数

# 然后问它：run("现在几点了？顺便帮我算一下 128 * 7")
# 观察它是不是分两步：先调 now_time，再调 calculate，最后 final 汇总

如果没配 API key,就把 问大模型 那部分注释掉,手动 reply = {"action":"now_time","input":""} 造几组假回复喂给循环,一样能看清循环怎么转。