前幾天開始加入 Agent 之後，AI Companion 已經不只是單純回答問題。

Day 16 做的是：

讓 Agent 判斷現在應該做什麼。

Day 17 則進一步加入主動式判斷，讓系統不一定要等使用者開口，才能進行下一步。

但到目前為止，Agent 大部分都還只是「做決策」。

所以今天要再往前一步：

讓 Agent 真的可以呼叫工具完成 Action。

Tool Calling 是什麼？

Tool Calling 可以理解成：

LLM 不只產生文字，而是可以選擇一個系統功能並執行。

例如使用者說：

明天早上提醒我量血壓。

如果只是一般 Chatbot，可能只會回答：

好的，記得明天早上量血壓喔。

但這其實沒有真的建立提醒。

加入 Tool Calling 後，流程會變成：

User
↓
Agent Decision
↓
Tool Selection
↓
Tool Call
↓
Tool Result
↓
LLM Response

例如：

使用者：
「明天早上提醒我量血壓。」

↓
Agent 判斷

intent = create_reminder

↓
Tool Call

create_reminder(
    task="量血壓",
    time="tomorrow morning"
)

↓
Tool Result

success = true

↓
LLM

「好，我會在明天早上提醒你量血壓。」

這時候 AI 就不只是「說它會做」，而是真的把提醒存進系統。

第一版 Tool

目前先把前面做過的功能包成 Agent 可以呼叫的 Tool：

create_reminder
get_health_memory
get_health_state
search_health_rag
add_health_event

例如使用者問：

「我最近是不是常常睡不好？」

Agent 可以判斷這不是單純聊天，而是需要查看過去的健康資料。

流程就會變成：

User Question
↓
Agent
↓
get_health_memory()
↓
取得近期睡眠事件
↓
Health State Analysis
↓
LLM Response

這樣 Day 12 到 Day 15 做的 Health Memory、Health State 和 RAG，就可以正式變成 Agent 能使用的能力。

Tool Schema

每個 Tool 都需要定義清楚：

name
description
parameters
required

例如提醒工具可以設計成：

{
  "name": "create_reminder",
  "parameters": {
    "task": "量血壓",
    "time": "tomorrow morning"
  }
}

LLM 不需要知道提醒系統內部怎麼實作，只需要知道：

什麼情況可以使用這個 Tool，以及要提供哪些參數。

Action Safety

Tool Calling 加進來後，也會產生新的問題。

因為「回答一句話」和「真的執行一個 Action」風險不同。

所以第一版先加入基本規則：

查詢資料 → 可以直接執行
建立提醒 → 執行後回報
修改資料 → 需要更嚴格判斷
高風險操作 → 不自動執行

未來如果加入傳訊息、聯絡家屬或醫療相關 Action，就必須加入更完整的確認機制。

今天完成的核心

Day 16：

Agent 開始會決定下一步。

Day 17：

Agent 開始判斷什麼時候應該主動。

而 Day 18 則是：

讓 Agent 從「會想」正式走向「會做」。

目前流程開始變成：

Conversation
↓
Context
↓
Agent Decision
↓
Tool Calling
↓
Action
↓
Result
↓
Response

下一步 Day 19，準備加入 Personalization / User Context。

讓 Agent 不只是知道「要做什麼」，還能進一步根據不同使用者，決定「應該怎麼做」。