应该是最“极简”的 LLM 工具调用了：你写的函数、类对象就是工具，不用学任何新东西

兄弟们，我又来了。前两天发了个帖子《 MCP 到底是个什么鬼？》，没想到对大家有点小帮助，非常开心。

用 LLM 的时候，工具调用确实是一个很烦的事情（它不难，就是很繁琐），要么你在某个框架里面，把你的工具封装成 MCP 服务，要么你在某个框架里面用它的机制包装（比如加一个装饰器 @tool ）,五花八门。

有没有简单一点的办法呢？有的，比如最近的 lang 家的 deepagents 里面的方式就已经接近优雅了，它可以让你直接使用自己写的函数，函数（工具）本身你想怎么写怎么写，但是，他又搞了个 middleware 的 tool ，看着又很反直觉了，又得学怎么搞，本来挺清爽的，又搞复杂了。

好麻烦，不就是给 LLM 传工具么？为什么来来回回搞得这么复杂呢？有必要么？

于是，我前两天更新了一下我的库 👉👉👉：chak （ https://github.com/zhixiangxue/chak-ai ），就干一件事情：让你自己写的函数、对象，都能传给 LLM ，让它当工具用，而你不需要写任何额外的东西，连 @tool 这样的装饰器都不需要，就像这样：

# 🚩🚩🚩 这个函数你该怎么写就怎么写，不需要很麻烦的封装成什么 MCP Server ，不需要加装饰器，不需要任何植入
def get_weather(city: str) -> str:
    """查询城市天气"""
    return requests.get(f'xxxx.com?city={city}').text

conv = chak.Conversation("openai/gpt-4o", tools=[get_weather]) # ⬅️ 直接把函数传进来就行了
response = conv.send("北京天气怎么样？")

或者这样：

from pydantic import BaseModel, Field

class UserInput(BaseModel):
    name: str = Field(description="User's full name")
    email: str = Field(description="User's email address")
    age: int = Field(description="User's age")

class UserOutput(BaseModel):
    id: int
    name: str
    status: str = "active"

# 🚩🚩🚩 你的工具的输入输出只要是可以序列化的就行，不必是简单类型，也不需要装饰任何东西
def create_user(user: UserInput) -> UserOutput:
    """Create a new user"""
    return UserOutput(id=123, name=user.name, status="active")

conv = chak.Conversation(
    "openai/gpt-4o",
    tools=[create_user] # ⬅️ 直接传进来
)

response = await conv.asend("Create a user: John Doe, john@example.com, 30 years old")

如果你喜欢把工具封装到一个类里面（这很常见对吧），你传给 LLM 一个对象也是可以的，Chak 会帮你保持对象的状态，调用完成后，你的对象甚至是带有状态更新的，相当于你可以喂给 LLM 一个你的工作流，而这个工作流就是一个普通的对象，像这样：

# 定义一个购物车
class ShoppingCart:
    def __init__(self):
        self.items = []
        self.discount = 0
    
    def add_item(self, name: str, price: float, quantity: int = 1):
        """Add item to cart"""
        self.items.append({"name": name, "price": price, "quantity": quantity})
    
    def apply_discount(self, percent: float):
        """Apply discount percentage"""
        self.discount = percent
    
    def get_total(self) -> float:
        """Calculate total price"""
        subtotal = sum(item["price"] * item["quantity"] for item in self.items)
        return subtotal * (1 - self.discount / 100)

cart = ShoppingCart()

conv = chak.Conversation(
    "openai/gpt-4o",
    tools=[cart]  # ⬅️ 直接把这个对象作为工具
)

# 让 LLM 帮你在这个购物车里面做一些操作
response = await conv.asend(
    "Add 2 iPhones at $999 each, then apply 10% discount and tell me the total"
)

# 🚩🚩🚩 LLM 折腾完了之后，你的购物车里面的数据就更新了，你都不需要解析什么 LLM 的输入（因为很多时候 LLM 输出的 Json 未必准确，有各种乌七八糟的问题），chak 自动帮你把这事情干完了
print(cart.items)     # [{'name': 'iPhone', 'price': 999, 'quantity': 2}]
print(cart.discount)  # 10
print(cart.get_total())  # 1798.2

所以，“工具调用非得用 MCP 、学 MCP 吗？” —— 其实大可不必（当然 Chak 也是支持 MCP 的，用起来也非常简单）

让 LLM 可以调用工具，就应该这么简单才丝滑，对吧...

最后说两句

工具调用本应该是助力 LLM 变得更强的，现在很多时候成了开发者的负担。如果你也烦透了这事，真心可以试试 chak：它把这些破事都打包了，你只管写业务代码，非常轻量级，依赖非常少。

项目地址👉👉👉： https://github.com/zhixiangxue/chak-ai

各位帮忙使用一下，好用的话帮我点个⭐啊，随时提 bug 、issue ，感谢~