Tool Use
核心事实
时间轴 (近 90 天)
工具调用（Tool Use）与长上下文推理的结合形成'思考→行动→观察'的循环
Jev API 的结构化输出设计思路与 OpenAI 的 Structured Outputs、Anthropic 的 Tool Use 在目标上类似
Opus 5.5在写代码前先读三维库源码并查本机安装的中文字体，体现了模型在生成代码前主动调用工具探查环境的策略
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
Anthropic 为 Claude 提供了 Tool Use（工具调用）接口，开发者可以预先定义 Excalidraw 元素的数据结构作为工具参数
如果工具调用执行到一半被硬中断，结果文件可能处于不一致状态，且Claude失去对任务上下文的追踪，后续难以从断点无缝恢复
没有工具调用能力，大模型只能在语言空间内打转，无法真正影响外部系统
ComfyUI Assistant 通过一套工具（tools）机制直接接触 ComfyUI 的图结构
能力较弱的本地小模型有时会生成格式不合规的工具调用指令，导致操作失败
通用大模型调度专业路线引擎工具并封装成用户友好输出是其工具调用（Tool Use）能力成熟的体现
还有 28 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
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AI Agent通过工具调用（Tool Use）机制与外部系统交互，包括执行代码、调用API、读写数据库等
90%已验证Anthropic和OpenAI在2024年前后相继推出支持工具调用（Tool Use）和多步推理的模型
90%已验证OpenAI的Function Calling、Anthropic的Tool Use以及LangChain的Agent框架倡导AI从回答问题扩展到完成工作流
85%已验证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
80%已验证工具增强型AI（Tool-Augmented AI）是当前大模型应用的重要发展方向，OpenAI的Function Calling和Anthropic的Tool Use等机制在底层支撑这一范式
80%已验证Function Calling机制中，开发者将工具的名称、功能描述、参数Schema（通常为JSON Schema格式）注入到模型的请求中，模型输出结构化的JSON而非自然语言来调用工具
80%已验证Anthropic在Claude中推出了Tool Use，Google在Gemini中提供了类似Function Calling的能力
80%已验证Anthropic推出了Tool Use作为其Function Calling方案
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Agent机制建立在大模型工具调用（Function Calling / Tool Use）能力之上，是AutoGPT、Devin等自动化AI产品的技术基础
80%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%已验证研究表明模型可能产生不忠实的思维链，即表面推理步骤与实际决策依据不一致
75%已验证AI Agent的运行依赖大语言模型API、向量数据库、工具调用接口、第三方SDK及各种快速迭代的框架，运行链条极长
75%已验证Coding Agent与普通AI聊天机器人的本质区别在于工具调用（Tool Use）能力，包括执行终端命令、读写文件系统、调用API等
75%已验证AI Agent通过标准化接口（如OpenAI的Function Calling、Anthropic的Tool Use协议）与外部工具交互，CLI命令行工具天然适合这种调用模式
70%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%已验证没有工具调用能力，大模型只能在语言空间内打转，无法真正影响外部系统
65%