隨著大型語言模型（Large Language Models, LLM）在各種應用中普及，我們會發現：光靠 LLM 本身的知識與推理，仍然存在一些限制。舉例來說，LLM 雖然能回答「今天台北的天氣怎樣？」這樣的問題，但如果沒有即時數據，它只能根據訓練時的知識胡亂猜測，而無法提供最新、正確的答案。

這時候，就需要外部工具（External Tools）的幫忙。
LLM 本質上是一個「文字預測機器」，它非常擅長：
語言理解與生成
知識的整理與推論
提供建議與模擬對話
但它缺少的能力包括：
即時數據（例如：最新新聞、股價、天氣）
精準計算（例如：大數字運算、統計分析）
與真實世界互動（例如：發送郵件、操作資料庫、控制機器人）
因此，外部工具就像是「LLM 的手腳」，能讓它從「只會說」變成「能夠做」

LLM 呼叫外部工具的基本流程
可以把 LLM 想像成一個「大腦」，而外部工具是「專用器官」。呼叫過程通常包含以下幾步：
解析需求：LLM 從使用者輸入中，判斷什麼問題需要工具來解決。
例如：「幫我算 1256789 × 98765」 → LLM 判斷用計算器比較準。
格式化請求：LLM 會用預先定義好的結構（通常是 JSON 或函數呼叫格式），把需求轉換成工具能懂的指令。
例如：{"tool": "calculator", "input": "1256789 * 98765"}
呼叫工具：系統層面（middleware）接收到這個格式後，把指令傳給相應的工具或 API。
工具可能是 Python 程式、外部 API、資料庫查詢等。