┌─────────────────────────────────────────────────────┐
│  Layer 7: 应用层 — Agent应用（OpenClaw/Cline/Codex）│
├─────────────────────────────────────────────────────┤
│  Layer 6: 协议层 — MCP/Function Calling Protocol    │
├─────────────────────────────────────────────────────┤
│  Layer 5: 编排层 — Tool Loop/Planning/Memory        │
├─────────────────────────────────────────────────────┤
│  Layer 4: 推理层 — Ollama/llama.cpp/LM Studio       │
├─────────────────────────────────────────────────────┤
│  Layer 3: 模型层 — Qwen3.5/Gemma4/DeepSeek-R1      │
├─────────────────────────────────────────────────────┤
│  Layer 2: 加速层 — NPU/GPU/Apple Neural Engine      │
├─────────────────────────────────────────────────────┤
│  Layer 1: 安全层 — TEE/沙盒/权限隔离（AgenTEE）     │
└─────────────────────────────────────────────────────┘

# Qwen 3.5 4B 本地工具调用示例（via Ollama）
from ollama import Client

client = Client()
tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "获取指定城市的天气信息",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名称"},
                "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
            },
            "required": ["city"]
        }
    }
}]

response = client.chat(
    model="qwen3.5:4b",
    messages=[{"role": "user", "content": "北京今天多少度？"}],
    tools=tools
)

# 模型直接输出结构化工具调用，无需parse自然语言
if response.get("message", {}).get("tool_calls"):
    for call in response["message"]["tool_calls"]:
        print(f"调用: {call['function']['name']}")
        print(f"参数: {call['function']['arguments']}")
        # 输出: 调用: get_weather
        # 输出: 参数: {"city": "北京", "unit": "celsius"}

# Gemma 4 + OpenClaw 三步启动（来自 lushbinary.com 指南）
# Step 1: 安装Ollama并拉取模型
ollama pull gemma4:26b-moe

# Step 2: 安装OpenClaw
pip install openclaw

# Step 3: 启动Agent（零配置自动连接Ollama）
openclaw --model gemma4:26b-moe --local

# FunctionGemma 工具路由流程
# Step 1: 用户输入 → FunctionGemma（工具路由）
# Step 2: FunctionGemma输出 → 结构化函数调用
# Step 3: 本地执行引擎 → 调用对应工具
# Step 4: 工具结果 → 本地轻量LLM（生成回复）

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("google/functiongemma-270m-it")
model = AutoModelForCausalLM.from_pretrained("google/functiongemma-270m-it")

# FunctionGemma的输入：自然语言 + 可用工具列表
tools = [
    {"name": "turn_on_light", "parameters": {"room": "string"}},
    {"name": "set_temperature", "parameters": {"degrees": "number"}}
]
user_input = "把客厅灯打开，温度调到25度"

# 输出: [{"name": "turn_on_light", "arguments": {"room": "客厅"}},
#        {"name": "set_temperature", "arguments": {"degrees": 25}}]

graph TB
    subgraph "AgenTEE 可信Agent执行架构"
        A[用户请求] --> B[Realm VM - 可信域]
        B --> C[LLM推理引擎]
        C --> D[工具调度器]
        D --> E{工具类型}
        E -->|本地工具| F[Realm内执行<br/>文件/数据库/系统调用]
        E -->|远程工具| G[加密通道<br/>→ 云端API]
        F --> H[结果聚合]
        G --> H
        H --> C
        C --> I[响应生成]

        J[Host OS - 不可信域] -.->|隔离| B
        K[攻击者] -.->|无法穿透| B
    end

    style B fill:#2d5f2d,color:#fff
    style F fill:#1a4070,color:#fff
    style G fill:#705010,color:#fff

# MCP + Ollama 本地Agent工具调用完整示例
# 来源: qwertee.io integration guide

import asyncio
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from ollama import Client

# 1. 定义MCP工具服务器（本地文件系统访问）
server_params = StdioServerParameters(
    command="python",
    args=["-m", "mcp_server_filesystem", "/home/user/documents"]
)

async def local_agent():
    # 2. 连接MCP服务器
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()
            tools = await session.list_tools()

            # 3. 转换为Ollama工具格式
            ollama_tools = convert_mcp_to_ollama(tools)

            # 4. 本地推理 + 工具调用循环
            client = Client()  # Ollama本地客户端
            messages = [{"role": "user", "content": "帮我整理下载文件夹"}]

            while True:
                response = client.chat(
                    model="qwen3.5:4b",
                    messages=messages,
                    tools=ollama_tools
                )

                if not response.get("message", {}).get("tool_calls"):
                    break

                # 5. 通过MCP执行工具调用
                for call in response["message"]["tool_calls"]:
                    result = await session.call_tool(
                        call["function"]["name"],
                        call["function"]["arguments"]
                    )
                    messages.append({
                        "role": "tool",
                        "content": str(result)
                    })

            return response["message"]["content"]

result = asyncio.run(local_agent())

// Apple Intelligence 设备端工具调用（via Vercel AI SDK）
// 来源: callstack.com blog

import { generateText } from 'ai';
import { createAppleProvider } from 'ai/apple';

const apple = createAppleProvider();

const result = await generateText({
  model: apple('on-device'),  // 使用Apple设备端模型
  tools: {
    createReminder: {
      description: '创建新的提醒事项',
      parameters: {
        title: { type: 'string', description: '提醒标题' },
        dueDate: { type: 'string', description: '截止日期' }
      },
      execute: async ({ title, dueDate }) => {
        // 直接调用iOS Reminders API — 纯本地执行
        return await Reminder.create({ title, dueDate });
      }
    }
  },
  prompt: '提醒我明天下午3点开会'
});

flowchart LR
    subgraph "云端工具调用（传统）"
        A1[用户输入] --> A2[云API<br/>GPT-5.2]
        A2 --> A3[工具选择]
        A3 --> A4[参数填充]
        A4 --> A5[远程执行]
        A5 --> A6[结果返回云端]
        A6 --> A7[云推理生成回复]
        A7 --> A8[回复用户]
        style A2 fill:#c0392b,color:#fff
        style A7 fill:#c0392b,color:#fff
    end

    subgraph "本地工具调用（2026）"
        B1[用户输入] --> B2[本地推理<br/>Qwen/Gemma]
        B2 --> B3[原生工具调用<br/>特殊Token解析]
        B3 --> B4{工具类型}
        B4 -->|本地工具| B5[直接执行<br/>MCP/沙盒]
        B4 -->|远程工具| B6[加密通道<br/>→ API]
        B5 --> B7[结果注入上下文]
        B6 --> B7
        B7 --> B2
        B2 --> B8[本地生成回复]
        B8 --> B9[回复用户]
        style B2 fill:#27ae60,color:#fff
        style B8 fill:#27ae60,color:#fff
    end