工具调用
核心事实
时间轴 (近 90 天)
当人工被呼叫时，代理已经完成了 3 到 12 次下游工具调用，每一次都继承了同一套被泄露的凭证或配置错误的权限范围。
对零基础学习者而言，掌握工具调用的要点在于理解接口描述规范、参数校验与异常处理，以及如何设计让模型稳定选择正确工具的提示结构。
在主流的大模型 API 中，模型并不直接执行代码，而是根据提示词中提供的工具列表（包括名称、描述和参数 schema）决定是否发起调用，并输出结构化的调用请求。
在工具调用循环中，执行权始终在调用方代码手里，模型只负责“申请”调用。
生产环境中建议的工程实践包括：流式返回工具调用、为每个请求预算 token/时间/成本、为每次调用和结果生成 trace、把工具当作公开 API 一样做版本管理。
工具调用不是全新的范式，而是把 agent 循环中的执行环节从「文本解析」替换为「契约调用」。
把工具描述从模糊的自然语言改成带示例的严格 schema，工具调用的准确率会有明显提升。
小模型往往在工具调用格式上不稳定，出现参数缺失、字段名错误或混合自然语言输出，导致解析失败、任务中断。
工具调用（Tool Use / Function Calling）让LLM能执行真实操作，将提示注入的后果从输出错误文字升级为触发真实副作用。
升级 AI SDK 相关依赖后，建议重点测试流式响应和工具调用场景，因为这类功能横跨核心包与框架适配层。
还有 40 条时间轴事件
全部知识事实 (20)
Function Calling（Tool Use）是大模型调用外部工具的标准化机制，开发者预先声明工具名称、描述和参数Schema，模型自主判断何时调用
90%已验证工具调用（Function Calling）机制允许模型在推理过程中调用外部工具，如文件读写、终端命令、搜索 API
90%已验证Agent通过工具调用（Tool Calling）机制，允许模型以结构化JSON格式输出调用意图，由外部程序执行真实操作后将结果反馈给模型
80%已验证在ReAct框架中，当工具数量超过20个时，Token消耗和模型的工具选择准确率都会显著下降，这被称为'工具过载'问题
80%已验证Agent Skills是Anthropic发布的能力封装标准，定义为一个包含Skill.md文件的目录，可包含说明、脚本和其他资源
80%已验证工具调用（function calling）是指大语言模型在生成回复过程中可以主动请求调用外部函数或API
80%已验证智能体编程工具与传统代码补全工具的核心区别在于自主性与任务范围，agentic 工具能接受高层指令并自主规划步骤、调用工具并迭代执行
75%已验证工具调用层的评估维度包括Agent是否选择正确工具、是否传入格式正确且语义合理的参数、以及能否正确解析工具返回结果
75%已验证Agent（智能体）能够调用电脑上的工具、独立完成一整套复杂任务，与只能一来一回对话的聊天机器人不同
75%已验证智能体编程的核心挑战在于模型需要规划多步骤行动、处理执行中的错误反馈、在不同文件和工具之间协调操作
75%已验证工具调用的基本原理是模型识别需要外部能力的场景，输出结构化的函数调用请求（通常为JSON格式），由外部系统执行后返回结果给模型继续推理
75%已验证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
75%已验证工具调用允许模型在推理过程中动态调用外部函数，并将执行结果纳入后续推理的上下文，形成感知-决策-执行的闭环
70%已验证Tool Calling 是大语言模型的一种能力：模型在生成回复时输出结构化 JSON 表明要调用哪个函数、传什么参数，但模型只输出意图、不执行代码，执行责任在应用侧。
65%已验证大模型在推理时将工具元数据作为上下文读入，通过语义理解判断是否需要调用工具及传入哪些参数，这一过程被称为Function Calling或Tool Use
65%已验证智能体模式通过'工具调用'机制实现，模型可自主决定调用外部API、执行shell命令、读写文件或浏览网页
65%已验证工具调用（Tool Use / Function Calling）是AI智能体架构中的核心机制，模型通过工具调用接口向外部系统发出结构化指令
65%已验证大模型本身的工具调用实际上只是输出一段结构化的JSON数据，描述应调用哪个函数、传入什么参数，模型本身没有执行代码的能力
65%已验证工具调用机制中，开发者在调用 LLM API 时附带一份 JSON Schema 格式的工具描述清单，模型以结构化 JSON 格式输出调用参数
65%已验证工具过多时大模型容易产生选择困惑，减少工具干扰才能让 AI 正确调用目标工具
65%