工具调用（Function Calling / Tool Use）

一句话定位：工具调用让 LLM 从”只能生成文本”变成”能读写外部世界”——通过 JSON Schema 描述工具，模型生成结构化参数，框架校验并路由执行，结果回填上下文供模型继续推理。

1. 基本机制

1. 工具注册：用 JSON Schema 描述每个工具的名称、功能说明、参数结构（类型、是否必填），提供给模型作为上下文的一部分。
2. 模型生成调用：模型根据当前任务判断需要调用哪个工具，输出结构化的调用请求（工具名 + 参数，通常是 JSON），而不是自由文本。
3. 框架校验与执行：应用层框架解析模型输出，校验参数是否符合 Schema，路由到真实的函数/API 执行。
4. 结果回填：把工具执行结果作为新的上下文（Observation）追加回对话历史，模型基于结果继续下一轮推理（呼应 7.1 的 ReAct 循环）。

2. 核心难点

• 参数幻觉：模型可能生成不符合 Schema 的参数（类型错误、编造不存在的字段值、缺失必填项），需要框架层做严格校验并给出明确的错误反馈让模型重试，而不是直接执行错误参数。
• 失败重试与降级：工具调用可能因为网络、权限、业务逻辑失败，需要设计重试策略和失败后的降级路径（如告知用户”该操作暂不可用”而不是卡死或硬编答案）。
• 工具选择模糊：当可选工具很多、功能相近时，模型可能选错工具；解决思路包括工具描述写得更精确、限制单次可见的工具数量（分层筛选后再暴露）。

3. 面试落点

• 能讲清”为什么需要 JSON Schema”：把模型的自由文本输出约束成结构化、可校验、可编程处理的格式，是连接”语言模型”和”确定性系统”的关键桥梁。
• 可迁移话术：这和微服务里”用 OpenAPI/Protobuf 定义接口契约”是同一个思路——都是用 Schema 把”意图”转换成”可执行、可校验的结构化调用”。

参考：OpenAI 官方文档《Function calling》；论文《Toolformer: Language Models Can Teach Themselves to Use Tools》