上一篇我們談到檢索增強生成（RAG）的能力邊界。RAG 可以讓 AI 從企業文件中找到知識，但如果我們希望它取得即時數字、查詢專案狀態，甚至進一步執行某個動作，就需要讓模型具備使用外部系統的能力。

這就是 Tool Use（工具使用）。對大型語言模型來說，Tool 可以先理解成一組「我可以使用的方法」。每一項工具都有清楚的名稱、用途、輸入參數與回傳結果，模型本身不需要知道底層 API、SQL 或 Python 到底怎麼實作，只需要判斷：現在這個問題需要使用哪個工具，以及應該提供哪些參數。

例如 Data Machi 未來可能提供幾項不同的工具：

當使用者詢問不同問題時，模型就不需要靠自己「猜答案」，而是決定應該呼叫哪一個外部能力取得資訊。

Tool Use 到底改變了什麼？

沒有 Tool Use 的大型語言模型，主要工作是根據目前收到的 Prompt 與 Context 產生下一段文字。就算你問它「昨天的實際銷售額是多少」，如果這個數字沒有出現在 Context 裡，它並沒有辦法自己跑去公司的資料庫查詢。

加入 Tool Use 之後，流程就不一樣了。

使用者問題
    ↓
LLM 理解需求
    ↓
判斷是否需要工具
    ↓
選擇 Tool
    ↓
程式實際執行
    ↓
取得結果
    ↓
結果交回 LLM
    ↓
整理成使用者看得懂的回答

假設使用者問：

「昨天台灣的總銷售額是多少？」

模型看到這個問題之後，可以判斷這不是文件知識，而是需要查詢結構化資料，因此選擇：

query_google_sheets

並準備相關參數：

date = yesterday
region = Taiwan
metric = sales

真正讀取 Google Sheets、篩選資料與計算 Sales 的工作則由程式負責。取得結果之後，再交給模型轉換成自然語言回答。

因此 Tool Use 真正帶來的改變不是「讓 LLM 知道更多」，而是：

讓模型知道自己什麼時候不應該直接回答，而應該先去使用外部能力取得資訊。

Function Calling 到底做了什麼？

Tool Use 中很常看到另一個名詞：Function Calling（函式呼叫）。

這個名字很容易讓人誤以為模型真的在執行程式，但實際上通常不是這樣。當模型支援 Function Calling 時，我們會先把目前可以使用的工具規格提供給模型，包括工具名稱、用途與需要的參數。

例如有一個工具：

Name:
query_google_sheets

Description:
查詢指定日期與市場的銷售資料。

Parameters:
- date
- region
- metric

當使用者詢問：

「昨天香港的銷售額是多少？」

模型不一定直接回答數字，而可能先產生類似下面的決定：

Tool:
query_google_sheets

Arguments:
date = yesterday
region = Hong Kong
metric = sales

這時候真正執行 query_google_sheets 的不是模型，而是我們寫好的後端程式。程式收到參數之後查詢資料，再把結果回傳給模型。

因此完整流程其實是：

使用者
  ↓
「昨天香港銷售多少？」
  ↓
LLM
  ↓
決定呼叫 query_google_sheets
  ↓
Backend 執行 Function
  ↓
取得 sales = 5,820,000
  ↓
結果送回 LLM
  ↓
「昨天香港銷售額為 HKD 5.82M。」

這裡有一個非常重要的分工：

模型負責理解意圖與選擇能力，程式負責執行事實。

這個原則對企業 AI 特別重要。

精確計算，不要全部交給 LLM

假設使用者問：

「這個月平均訂單金額是多少？」

模型可以理解使用者想知道 Average Order Value，也可以知道應該取得 Sales 與 Orders。但最後的加總、除法與篩選邏輯，最好還是由 SQL、Pandas 或其他程式執行，而不是讓 LLM 自己根據大量數字計算。

例如程式可以執行：

aov = total_sales / total_orders

或直接在 SQL 中完成：

SELECT
  SUM(net_sales) / COUNT(DISTINCT order_id) AS aov
FROM transactions
WHERE transaction_date BETWEEN start_date AND end_date

最後只把結果：

AOV = 2,480

交回模型整理成：

本月平均訂單金額為 2,480 元。

這樣做的原因不是模型完全不會算數，而是企業場景通常要求可重現、可驗證，而且每次使用相同條件都應該得到相同結果。如果一項工作本來就可以交給 SQL、Python 或既有系統精確完成，就不需要讓大型語言模型取代這些工具。

可以把責任簡化成：

這也是企業 AI 很重要的一個設計原則：讓模型處理模糊的語言問題，讓程式處理明確且需要精準執行的事情。

一個 Tool 到底包含什麼？

從程式角度來看，一個 Tool 最後可能只是某個 Python Function、API Wrapper 或資料查詢方法。例如我們可以有一個非常簡化的函式：

def get_project_status(project_id):
    # 呼叫專案系統 API
    # 取得目前專案資料
    return project_status

但單純有這個 Function 還不夠，因為模型必須知道它到底是做什麼的。如果系統裡同時有十幾個工具，而每個 Description 都只寫「查詢資料」，模型就很難判斷哪一個才適合目前的問題。

因此，一個好的 Tool 至少需要說清楚四件事情：

對非工程背景的讀者，不需要現在就先理解 JSON Schema 的完整寫法，可以先把 Tool 想成「交給 AI 使用的一項公司能力」。

假設工具 Description 只寫：

查資料

那麼當系統同時有 query_sales_data、get_project_status 和 search_document_base 時，模型很難知道三者的差異。

如果改成：

當使用者詢問專案目前進度、負責人、
截止日期或未完成任務時使用。

模型就更容易判斷這個工具適合什麼情境。

因此 Tool 的 Description 不是單純給工程師看的文件，它其實也是模型決策的一部分。

Tool 的輸入也應該盡可能清楚

除了 Description，Parameters 的設計也會直接影響 Tool Use 是否穩定。

假設我們設計一個銷售工具：

query_sales

如果只有一個非常模糊的參數：

query = "幫我找昨天台灣銷售"

後端還需要重新理解一次自然語言，整個流程就多了一層不確定性。

比較好的設計可能是：

region = Taiwan
start_date = 2026-08-23
end_date = 2026-08-23
metric = sales

也就是讓 LLM 負責把模糊的自然語言：

「昨天台灣賣多少？」

轉換成比較明確的結構化參數，再讓程式根據這些參數執行。

整體可以理解成：

自然語言
「昨天台灣賣多少？」
        ↓
       LLM
        ↓
結構化參數
region = Taiwan
date = 2026-08-23
metric = sales
        ↓
      Tool
        ↓
精確查詢資料

這也是 Function Calling 很實用的一個地方：它讓自然語言和傳統程式之間多了一層可以互相理解的介面。

那 LangChain 又是什麼？

做到這裡，我們已經有模型、有 Tool、有 Function Calling，很快就會開始遇到很多重複的整合工作：不同模型的 Tool Schema 怎麼定義、工具怎麼綁定到模型、Tool Call 執行結果要用什麼訊息格式送回去，以及對話歷史怎麼繼續保存。

LangChain 的價值，就是提供一組現成的抽象與介面，協助把這些元件串接起來。

可以把目前的架構想成：

使用者
   ↓
Prompt / Messages
   ↓
LangChain
   ↓
LLM
   ↓
Tool Calling
   ↓
Tools
   ↓
Tool Result
   ↓
LangChain
   ↓
LLM
   ↓
最終回答

LangChain 可以協助處理模型、Prompt、Messages、Tool Binding 與 Tool Result 之間的整合，讓開發者不需要每接一個模型或工具，就重新寫一套底層串接邏輯。

但這裡需要特別注意：LangChain 並不是 AI 的大腦。

LangChain 比較像轉接層，而不是決策者

如果把企業 AI 想成一間公司，LangChain 比較像幫各個部門統一接頭與溝通格式的基礎設施。它可以讓不同零件比較容易連接，但它不會自動知道公司的正確流程。

例如 LangChain 不會替我們決定：

• 「營收」到底包含哪些交易？
• 哪些使用者可以查財務資料？
• 哪些問題應該使用 Google Sheets？
• 資料多久以前算過期？
• 哪些動作需要主管確認？
• Tool 查不到資料時應該怎麼處理？
• 使用者要求刪除資料時是否允許執行？

這些都不是框架本身能替產品團隊回答的問題。

因此可以把責任簡單拆成：

LangChain
負責：
模型整合
訊息格式
Tool Binding
Function Calling 整合
常見 Workflow 元件

        ≠

Business Logic
負責：
資料定義
工具使用規則
權限
安全邊界
驗證方式
失敗處理

LangChain 可以幫我們少寫很多重複程式，但真正決定企業 AI 能不能可靠工作的，仍然是後面的系統設計。

不要把框架當成業務邏輯

框架最有價值的地方，是幫助開發者降低模型與工具的整合成本；最危險的地方，則是讓人誤以為只要套上一個 Agent Framework，系統就會自然理解企業流程。

假設公司規定：

「金額超過 100 萬的採購，需要取得兩層主管核准。」

這條規則如果非常重要，就不應該只寫在一段 Prompt 裡，期待模型永遠記得。更可靠的做法是把它放在明確的 Workflow 或 Backend Logic 中，例如：

採購金額
   ↓
是否 > 1,000,000？
   ↓
 ┌──────────┬──────────┐
 │   否     │   是     │
 │          │          │
 │一般核准  │兩層核准  │
 └──────────┴──────────┘

這樣即使未來從 Gemini 換成其他模型，或從 LangChain 換成其他 Framework，公司的核心規則仍然存在。

在 Data Machi 裡，我們會利用框架降低 Tool Integration 的成本，但關鍵的商業規則、資料邏輯與安全邊界仍然會清楚保留在程式與 Workflow 中。這樣技術元件可以替換，產品真正需要遵守的規則卻不會一起消失。

Tool Use 讓 AI 從「回答」進入「工作」

走到 Day 12，可以重新回頭看 AI 能力是怎麼逐步增加的。

最開始只有 LLM 時，模型主要依賴本身已有的知識回答；加入 RAG 之後，可以在回答前搜尋企業文件；加入 Tool Use 之後，則可以進一步取得即時資料、精確數字與外部系統狀態。

LLM
根據模型既有知識回答
        ↓

RAG
回答前先查企業文件
        ↓

Tool Use
向外部系統取得資訊
        ↓

Action Tool
進一步改變外部系統狀態

但能力越往下增加，風險也會跟著增加。查一個錯誤的銷售數字，和錯誤地刪除一筆資料，後果顯然不同。因此後面談到 Action、Agent 與 Workflow 時，我們還會持續加入權限、確認與驗證機制。

現階段最重要的是先建立正確的分工：LLM 不需要取代所有程式，而是負責理解人類的需求，再選擇適合的程式能力完成工作。

延伸理解｜LangChain 是 Middleware，不是 AI 大腦

如果用一句比較容易記住的方式理解 LangChain，可以把它看成 AI 應用中的 Middleware（轉接層）。

它幫助不同模型、Prompt、Messages 與 Tools 使用比較一致的方法連接，也降低不同 API 之間的整合成本。但產品要解決什麼問題、什麼資料才是正確的、哪些 Tool 可以使用，以及哪些動作不能讓 AI 自己決定，仍然需要由系統設計者負責。

因此，真正建立企業 AI 時，應該避免問：

「我要使用哪個 Agent Framework？」

而先問：

「我要讓 AI 完成什麼工作？它需要哪些能力？每一項能力的資料來源與安全邊界是什麼？」

當這些事情定義清楚之後，LangChain、LangGraph 或其他 Framework 才是協助我們實作架構的工具，而不是架構本身。

今天的重點：
Tool Use 的核心，是讓模型學會「選擇能力」，但真正的資料查詢、精確計算與系統操作仍然由程式執行。Function Calling 負責把模型的意圖轉換成工具呼叫，而 LangChain 則協助我們把模型、訊息與工具串接起來；它是一個整合工具箱，不是企業業務流程本身。

下一篇，我們會實際加入第一個結構化資料工具，讓 Data Machi 開始查詢 Google Sheets，並讓所有數字都由程式精確計算，而不是交給模型自己猜或運算。

我們下集見囉！