Tool Calling

Tool Calling存在三大核心痛点：描述繁复、调用不稳定、缺乏统一标准

工具定义（Tool Definitions）通常以JSON Schema的形式描述每个可调用函数的名称、参数类型、参数说明和返回值格式，这种机制被称为Function Calling或Tool Use

工具调用的实现机制是模型输出结构化的函数调用请求，宿主程序执行对应操作并将结果返回给模型

The tool calling mechanism works by having the model output tool call requests in structured JSON format (including function names and parameters), which the orchestration system captures and executes before injecting results back into the model's context.

LangChain是一个开源框架，核心能力是将大语言模型与外部计算资源和数据源结合

OpenAI在2023年率先推广了工具调用（Tool Use / Function Calling）范式

LLM工具调用的失败本质上只有三个根本原因——值（Value）、条件（Condition）和意图（Intent）

三分法排查顺序中意图错误最上游影响最大、条件错误居中、值错误最下游最易修复

智能体工具调用能力允许语言模型判断是否需要调用工具、生成符合API规范的调用参数并根据执行结果继续推理

FCC保留了流式响应、Tool Calling、Interleaved Thinking、图像理解等能力，作为代理层需完整透传这些协议细节，包括流式SSE中的thinking块和tool_use块

传统的工具调用（Tool Calling）依赖结构化的API接口，需要开发者预先定义好每个工具的输入输出格式

很多Agent教程开篇就大量堆砌工具调用（Tool Calling）、ReAct框架等专业术语，却不梳理整体知识框架

工具调用机制将模型的意图与实际系统操作解耦，使开发者可以在中间层加入权限校验、沙箱隔离或人工确认步骤

工具调用中模型本身不执行代码，只负责决策调用哪个工具，真正的执行权留在开发者控制的宿主程序中

工具调用比直接让模型输出代码并 eval 更安全

Tool Calling (Function Calling) allows an LLM to dynamically invoke external APIs, database queries, and code execution tools during the reasoning process

Tool Use（工具调用）的底层机制是开发者预先定义工具的名称、描述和参数结构（Schema），模型在推理时判断何时调用哪个工具并输出结构化调用指令

深度研究功能将单次用户查询分解为多步骤自主研究任务，调用网络搜索和文档分析等工具，由大语言模型推理综合输出结构化报告

工具调用能力的关键突破在于模型能生成结构化函数调用请求并正确解析工具返回结果后继续推理，而非简单将工具输出拼接进提示词

客户端拿到工具执行结果后需构造role为tool的消息，携带对应的tool_call_id和执行结果回传给模型