llm-functions
用熟悉的语言写函数，让 AI 获得调用工具「动手做事」的能力
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
用熟悉的语言写函数，让 AI 获得调用工具「动手做事」的能力
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1：项目维护者 sigoden 的 GitHub 头像
想象这样一个场景：你对 AI 说「帮我查一下北京现在的天气，然后把这个结果发给我同事」。一个只会「动嘴」的 AI 只能回答天气数据；但一个会「动手」的 AI，能够真正执行命令——调用天气 API、抓取数据、自动发送邮件，完成整个工作流。
LLM Functions 正是这样一个框架，它让你用最熟悉的 Bash、JavaScript 或 Python 编写函数，然后把这些函数直接「喂」给大语言模型，让模型获得调用工具的能力。整个过程不需要学习新的编程范式，不需要写复杂的 JSON Schema，只需要写一个带有注释的普通函数——框架会自动从注释中提取参数描述，生成符合 OpenAI Function Calling 规范的 JSON 声明。
这个项目的作者是 sigoden，他还开发了同样广受欢迎的 AIChat（一个支持多模型、集成 MCP 协议的 CLI 对话工具）。LLM Functions 最初就是为了给 AIChat 提供函数调用能力而诞生的，如今已发展成一个独立的、通用的 LLM 工具构建框架。截至 2026 年初，项目获得 757 颗星、134 个 Fork，在 GitHub AI 工具分类下有稳定增长。
LLM Functions 的核心理念是用注释驱动声明生成。以一个 Bash 工具为例：
#!/usr/bin/env bash
set -e
# @describe 获取指定地点的当前天气
# @option --location! 查询的城市，如 "北京" 或 "San Francisco, CA"
main() {
curl -fsSL "https://wttr.in/$(echo "$argc_location" | sed 's/ /+/g')?format=4&M" \
>> "$LLM_OUTPUT"
}
eval "$(argc --argc-eval "$0" "$@")"
只需要在注释中写 @describe 和 @option，框架就会自动解析，生成如下 JSON 声明：
{
"name": "get_current_weather",
"description": "获取指定地点的当前天气",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "查询的城市，如 "北京" 或 "San Francisco, CA""
}
},
"required": ["location"]
}
}
JavaScript 和 Python 工具同理，只需在函数/JSDoc 注释中标注参数说明。这种注释即声明的模式，极大降低了工具开发成本——任何熟悉 Bash/Python/JS 的开发者都可以在几分钟内编写一个新的 LLM 工具。
LLM Functions 随项目附带了 20+ 预置工具，覆盖多个高频场景：
文件系统操作：fs_cat（读取文件）、fs_ls（列出目录）、fs_write（写入文件）、fs_patch（打补丁）、fs_mkdir（创建目录）、fs_rm（删除文件）。这些工具让 AI 能够直接操作本地文件系统，执行复杂的文件处理任务。
代码执行：execute_command.sh（执行任意 Shell 命令）、execute_js_code.js（运行 JavaScript）、execute_py_code.py（运行 Python）、execute_sql_code.sh（执行 SQL 查询）。其中代码执行工具支持将输出写入指定文件，适合 AI 生成代码后的自动化验证。
网络与信息获取：fetch_url_via_curl.sh / fetch_url_via_jina.sh（网页抓取）、web_search_perplexity.sh / web_search_tavily.sh / web_search_aichat.sh（多引擎网页搜索）、search_arxiv.sh（学术论文搜索）、search_wikipedia.sh（维基百科查询）、search_wolframalpha.sh（计算知识引擎）。
通信与通知：send_mail.sh（发送邮件）、send_twilio.sh（发送短信/Twilio）。
系统工具：get_current_time.sh（获取时间）、get_current_weather.sh（天气查询）。
用户可以根据需要选择工具：通过 tools.txt 文件指定加载哪些工具，使用 argc link-web-search 指令灵活切换不同的搜索引擎实现。
在 LLM Functions 的架构中，Agent = Prompt + Tools + Documents（RAG），等价于 OpenAI 的 GPTs。每个 Agent 是一个独立目录，包含：
agents/myagent/
├── index.yaml # Agent 定义（名称、描述、指令、知识库）
├── tools.txt # 共享工具列表
├── tools.sh/js/py # Agent 专属工具
└── functions.json # 自动生成的函数声明（由 argc build 生成）
Agent 的 index.yaml 使用模板变量实现动态上下文注入。例如 {{__cwd__}} 在运行时替换为当前工作目录，{{__now__}} 注入当前时间，{{username}} 来自环境变量。这使得 Agent 能够感知真实的运行环境上下文，而非活在真空里。
项目内置了 5 个 Agent 示例：coder（代码生成与执行）、todo（任务管理）、sql（数据库查询）、json-viewer（JSON 可视化）、demo（演示用）。开发者可以在此基础上快速创建自己的 Agent。
LLM Functions 在 2024-2025 年间逐步完善了对 MCP（Model Context Protocol） 的支持，这是由 Anthropic 主导的 AI 上下文协议标准。MCP 支持包含两个方向：
MCP Server（对外暴露）：通过 mcp/server 目录中的 Node.js 服务，将 LLM Functions 的工具和 Agent 以 MCP 协议暴露给外部 AI 客户端。配置方式极为简洁，在 Claude Desktop 或其他 MCP 客户端中加入 JSON 配置即可使用 LLM Functions 提供的全部工具。
MCP Bridge（引入外部）：通过 mcp/bridge 目录，让 LLM Functions 能够调用外部 MCP 服务器提供的工具。这打通了 LLM Functions 与更广泛的 MCP 工具生态的连接——用户可以在 LLM Functions 中使用任何兼容 MCP 的外部工具。
这一双向往返的 MCP 架构，使 LLM Functions 成为一个真正的 MCP 原生工具平台，而非仅仅是一个孤立的工具集。
从仓库结构来看，LLM Functions 采用分层模块化设计：
代码质量整体较好：遵循 Unix 工具风格（单工具单职责、管道式组合），错误处理使用 set -e（Bash）、完善的类型标注（Python/JS）。文档质量突出：README 结构清晰，docs/ 目录下有详细的工具编写指南（tool.md，10KB+）、Agent 定义说明（agent.md）和环境变量文档。
需要注意的局限：
LLM Functions 是目前上手最简单、功能最完整的开源 Function Calling 工具框架之一——用你最熟悉的语言写函数，加几行注释，AI 立刻就能调用这些工具来「动手做事」。虽然生态封闭（强依赖 argc 和 AIChat），但其 MCP 双向支持使其正在成为更广泛的 AI 工具生态中的一环。对于希望快速为 AI 助手赋予工具调用能力的开发者，这是一个值得关注的轻量级选择。