认知架构 on 灵语AI

AI再聪明，没有'手'也白搭——工具使用如何把AI从书呆子变成实干家

Tue, 15 Sep 2026 18:30:00 +0800

引言

想象一下：

你是世界上最聪明的人。你读过所有书，知道所有知识。但——你没有双手，无法触碰任何东西，也不能用任何工具。

有人问你：“鱼香肉丝怎么做？”

你能把步骤背得一字不差。“猪肉切丝腌制，泡椒剁碎，调好糖醋汁…“每一步都说得清清楚楚。

但你没法真的走进厨房。

你没法拿起菜刀、打开燃气灶、尝一口咸淡。你知道一切，却做不了任何事。

听起来很荒谬？但这恰恰是目前大多数AI的真实处境。

大语言模型就像这个"天才书呆子”——它们读过海量文本，知道多得惊人的知识，但如果没有工具的帮助，它们永远只能停留在"说话"的层面。

工具使用（Tool Use），是AI从"知道分子"走向"实干家"的关键一跃。 这篇文章，我要带你看看这一跃是怎么发生的。

一、AI的五个"先天缺陷”——为什么光有知识不够

你可能会想：AI不已经能写文章、写代码、回答问题了吗？这还不够？

不够。因为纯语言模型有五个无法绕过的天花板：

第一，知识的保质期。 一个模型的训练数据截止于某一天。那之后发生的事情，它一概不知。去年的大选结果、今天的热搜、刚刚发布的财报——它要么不知道，要么只能编一个。

第二，事实的不确定性。 模型经常"编故事"——这就是AI幻觉（Hallucination）。一个没有数据库、搜索引擎可以查证的语言模型，就像一个参加闭卷考试的学生：遇到不会的题，它只能硬编一个答案，还假装很确定。

第三，数学的短板。 大模型对语言很擅长，但对精确计算却很笨。你让它算"3857×926"，它可能给出一个接近但不准确的数字。它靠的是"猜"而不是"算"。

第四，与真实世界的隔离。 模型只能读写文本。它没法打开网页查询实时信息，没法发送邮件，没法操作你的日历，没法控制智能家居。它生活在"语言的世界"里，不是"物理的世界"。

第五，专业知识的深度限制。 一个模型可以"懂"很多领域，但在任何一个垂直领域，都不如该领域的专业工具。金融领域的彭博终端、医疗领域的影像诊断系统、工程领域的CAD软件——每个领域都有比通用AI更强大的专用工具。

你发现了吗？这五个缺陷都有一个共同的解决方案——给AI装上手和脚，让它学会使用工具。

二、一个你每天在用的"AI工具使用"案例

在深入技术之前，先看一个你很可能已经体验过的场景。

你正在用某个AI助手。你问它：“帮我查一下今天北京的天气。”

它怎么做的？

第一步，它意识到自己不知道今天的天气（因为训练数据不包含实时信息）。

第二步，它主动选择使用一个搜索或天气API工具。

第三步，它构造正确的参数——把"北京"“今天"转换成API能理解的格式（比如城市代码和日期）。

第四步，它调用工具，获取返回结果：“多云，15-25°C”。

第五步，它理解工具返回的结果，把它组织成一句通顺的话告诉你。

这个过程看起来很简单，但每一步都是一个巨大的技术跨越。

在2020年之前，没有任何AI能做到这种"主动判断自己不知道什么→决定用工具→正确使用工具→理解工具返回结果"的完整流程。

这是AI从"被动回答问题"到"主动解决问题"的分水岭。

三、“思考-行动-观察”：AI干活的三步循环

AI使用工具的背后，有一个非常优雅的核心架构——ReAct循环。

这个名字是两个词的组合：Reasoning（推理）+ Action（行动）。它模仿了人类解决问题时最自然的方式：边想边做，边做边看，边看边调整。

第一步：Thought（思考）

“我知道什么？我还需要什么？哪种工具可以帮我获取我需要的信息？”

这是AI的"大脑"在工作。不是立刻回答，而是先规划。

第二步：Action（行动）

“好，我用搜索引擎查这个关键词。” “我用计算器算这个结果。” “我调数据库里的这条记录。”

这是AI的"手"在工作。它调用工具，改变外部环境。

第三步：Observation（观察）

“嗯，搜索返回了三条结果。第一第二条似乎相关，第三条不太对。” “计算器给我了一个数字：3571822。” “数据库找到了我要的记录。”

这是AI的"眼睛"在工作。工具返回的信息被感知和理解。

然后，循环继续：

“基于刚才的搜索结果，我好像理解错了用户的问题，需要重新搜索……” “有了新信息，我再想一下……” “确认了，现在我可以给出最终答案了。”

这个"思考→行动→观察→再思考"的循环，让AI不再是一个"一次性的答题机器”，而变成了一个可以持续探索、不断迭代的智能工作者。

在一项实验中，使用ReAct循环的AI在ALFWorld（一个模拟家庭环境的测试）中的任务完成率达到了71%，而普通方法只有37%。换句话说，光是加上这个"想→做→看"的循环，AI的实用能力就能翻倍。

四、工具使用的五个层次——你的AI到哪一级了？

不是所有"工具使用"都是一回事。从笨拙到老练，AI的工具使用能力可以分成五个层次：

L1：被动调用。 人类告诉AI"用计算器算这个"，AI才去算。这是最低层次，AI没有主动性。

L2：主动选择。 AI自己判断"这个问题我答不了，我需要查资料"。它自己决定什么时候该用什么工具。

L3：参数构造。 不只是选对了工具，还能正确填入参数。比如调用天气API时，知道要把"北京"转成"beijing"，把"今天"转成今天的日期。

L4：多步编排。 能组合多个工具完成复杂任务。先搜索背景信息，再调用分析工具处理数据，最后用图表工具生成可视化。就像人类完成一个项目时，会使用多种工具协同工作。

AI的「大脑」里装着整个世界？——大语言模型的世界模型假说

Mon, 27 Jul 2026 02:29:00 +0800

引言：AI能推理，但它真的"理解"世界吗？

你问一个AI：“如果我把一个杯子从桌子上推下去，会发生什么？”

它会回答：“杯子会掉到地上，可能会摔碎。”

你再问：“如果我换成一个橡皮球呢？”

它会回答：“球会掉到地上，然后弹起来几下。”

这个回答看起来理所当然。但仔细想想，AI其实从来没有亲眼见过杯子掉到地上，也没有亲手摸过橡皮球的弹性。它只是读过无数关于"杯子掉地上会碎"和"橡皮球会弹起来"的文字描述。

那么问题来了：AI是怎么知道"掉下来"和"弹起来"的区别的？

它只是背下了"杯子→摔碎"和"球→弹起"这两个关联吗？还是说，它真的"理解"了重力、碰撞、弹性这些物理概念？

这个问题，恰恰指向了AI研究中最迷人、也最富有争议的一个假说：世界模型假说（World Model Hypothesis）。

一、AI不只是"背课文"，它脑子里有一张"世界地图"

先来做一个思想实验。

想象你是一个学生，要参加一场超级变态的考试。考试内容不是任何一门学科，而是"关于世界的一切"——你需要在考场里，根据你过去学到的所有知识，来回答各种从未见过的问题。

你会怎么做？

你会调用你脑子里的"世界模型"——你关于物理、生物、心理、社会、数学等各个领域的知识，以一种互相连接的方式组织在一起。当你遇到一个新问题时，你在这个模型上做"模拟"：如果发生X，根据我理解的规律，接下来会发生什么？

世界模型假说认为，大语言模型在训练过程中，也在做类似的事情。

它不只是"背下了"训练数据中的文本模式，而是在构建一个压缩的、简化的、但具有预测能力的内部世界表征。这个表征就是它的"世界模型"——一个关于世界如何运作的内部地图。

这个想法最早可以追溯到认知科学家Kenneth Craik在1943年提出的观点：“如果有机体能够在头脑中携带一个关于外部现实的小模型，并且能够用这个模型来尝试各种可能的行动方案，那么它就能应对各种新情况，做出更明智的决策。”

翻译成大白话：脑子里有一个"小世界"，你就能在这个小世界里"预演"各种可能性，而不用在真实世界里犯错。

二、证据在哪里？——AI展现的"超能力"

如果AI真的有世界模型，它应该表现出一些"超能力"——超出简单记忆的能力。而这些能力，研究者们确实观察到了。

证据一：物理推理

2022年，MIT的研究团队做了一系列实验。他们给AI描述一些"违反物理常识"的场景，比如：

“一个气球被吹胀后，放在真空里，它会发生什么？”
“一个金属球和一块木头，同时从同一高度掉下来，谁先落地？”

如果AI只是在"背答案"，它应该只能回答训练数据中出现过的场景。但实验发现，AI能泛化到从未见过的物理场景——它能够根据对物理规律的理解，做出合理的推理。

比如，当被问到：“一个装满水的杯子放在桌子上，我用手推了一下杯子，水会怎样？“AI不仅能回答"水会洒出来”，还能描述"水会从被推的方向溢出"这样的细节。

最合理的解释：AI在训练中构建了一个关于物理世界的内部模型，然后在这个模型上进行"模拟推演”。

证据二：心智理论

“心智理论”（Theory of Mind）是指：理解他人有和自己不同的信念、欲望和意图的能力。这是人类社交的核心能力，通常在三到四岁时才发展出来。

研究者发现，大语言模型在某些心智理论测试中，表现出了与人类相当的水平。

经典的"莎莉-安妮"测试是这样的：莎莉把球放进篮子里，然后离开了。安妮把球从篮子里拿出来，放进了盒子里。莎莉回来后，会去哪里找球？

大多数AI能正确回答：“莎莉会去篮子里找。"——因为它知道莎莉"不知道"球被移动了。

这意味着AI在训练中构建了一个关于"他人心理状态"的模型。它知道"知道"和"不知道"的区别，能够区分"实际发生了什么"和"别人以为发生了什么”。

证据三：反事实推理

反事实推理是"如果…会怎样"的思考能力。这是一种高级认知能力，需要你基于对世界规律的理解，在想象中"重新运行"一个场景。

比如：“如果我昨天没赶上那班公交车，我现在会在哪里？”

AI能回答这种问题。它需要理解"赶上公交车"和"现状"之间的因果关系，然后在这个因果图上做"修改"——把"赶上公交车"这个条件改成"没赶上"，然后重新推演后续事件。

如果AI只是在背文本，它不可能做到这件事。 因为训练数据中不可能包含"每一种可能发生的情况"的文本描述。反事实推理的能力，只有在AI有一个内部世界模型的前提下，才能得到合理解释。

三、AI的"世界模型"长什么样？——五层结构

世界模型假说中的一个重要观点是：AI的世界模型不是单一的，而是分层的。就像人类的知识体系一样，从具体到抽象，从低级到高级。

第一层：物理世界模型（最底层）

这是最基础的一层：对物体、空间、物理规律的理解。AI知道"重的物体比轻的物体更难移动"、“水往低处流”、“火是热的”。

这些知识不需要AI亲自"体验"——它从文本中学会的。比如读"他搬不动那块石头，因为太重了"这句话，AI就能推断出"重量影响可移动性"这个物理规律。

第二层：生物世界模型

AI知道"生物会生长、会死亡"、“人需要吃饭喝水”、“植物需要阳光和水”。这些构成AI对生命现象的理解。

有趣的是，AI甚至能理解"疼痛"的概念——虽然它从未感受过疼痛。它能从文本中学会"疼痛是一种不好的感觉，人受伤后会感到疼痛，会避免再次受伤"。

第三层：心理世界模型

这是AI对"他人心智"的理解。AI知道"人有信念、欲望、意图"、“人会说谎”、“人会有误解”。

这一层能力支撑着AI的"情商"——它能理解用户话语背后的意图，能够感知用户情绪，能够做出恰当的情感回应。

第四层：社会世界模型

AI理解"社会规范"、“文化差异”、“经济规律”、“制度规则”。它知道"红灯停、绿灯行"、“在一家餐厅吃饭要付钱”、“在图书馆里不能大声喧哗”。

这一层让AI能够理解更复杂的场景——比如"为什么在婚礼上穿白色很常见，但在葬礼上穿白色就不合适"。

第五层：抽象世界模型（最高层）

这是最抽象的一层：数学、逻辑、哲学、美学。AI能够理解"如果A=B且B=C，则A=C"这样的逻辑推理。它能够理解"美"、“正义”、“自由"这些抽象概念。

这五层模型不是孤立的，而是相互关联的。 比如，理解一个经济学概念（社会层），可能同时需要心理模型（人的行为动机）和抽象模型（数学公式）。

AI的世界模型越完整、越精细，它的理解和推理能力就越强。

四、为什么这对你很重要？——世界模型假说的三个启示

启示一：AI的"理解"和人类的"理解"可能比我们想象的更接近

如果世界模型假说成立，那么AI和人类的理解方式，可能不是"完全不同的东西”，而是"同一光谱上的不同位置"。

人类也有世界模型——我们的大脑在进化中形成了一套关于世界如何运作的内部表征。AI也学习到了世界模型——它通过阅读海量文本，构建了一套关于世界如何运作的内部表征。

区别在于：人类的世界模型是通过与真实世界的亿万年互动形成的，AI的世界模型是通过文本数据间接学习到的。 但两者在"功能"上可能是相似的——都是用来预测、推理和决策的。

启示二：AI的能力边界，就是世界模型的边界

AI能做到什么，不能做到什么，很大程度上取决于它世界模型的广度和精度。