AI Agent 的工具调用：让大模型使用函数与 API
定义
工具调用，也常被称为函数调用，是大语言模型与外部软件之间的结构化接口。模型不只是输出自然语言，而是选择一个已声明的工具，生成符合 schema 的参数，由宿主应用执行对应函数、API、数据库查询或工作流步骤，再把结果返回给模型继续推理或生成最终答案。生产级 Agent、RAG、代码执行和 SaaS 自动化都依赖这种机制。
为什么对 AI 求职重要
AI 岗位频繁要求工具调用能力，是因为真正的 LLM 产品必须连接真实系统，而不只是聊天。工程师需要会设计安全的工具 schema、校验模型参数、处理超时和重试、记录调用链路，并给有副作用的动作加权限与确认机制。它也是 Agent 编排、MCP、评测体系和后端集成之间的核心连接点，能直接影响产品可靠性、安全性和自动化深度。
核心概念
- 工具 schema：描述工具名称、用途、参数、必填字段和返回结构的契约。
- 参数校验：在真正执行前检查模型生成的输入，拒绝错误、危险或越权调用。
- 执行循环：应用把工具结果返回给模型，使其可以完成多步骤任务。
- 工具选择与路由：控制模型在何时可调用任意工具、指定工具或禁止调用工具。
- 可观测性与评测：追踪调用成功率、延迟、成本，以及工具选择是否真正解决问题。
- 安全边界：对有副作用的动作加入权限、沙箱、allowlist、用户确认和 prompt injection 防护。
学习路径
- 先把三个本地函数封装成 typed tools，例如天气查询、计算器和文档搜索，并观察模型生成的原始 tool-call JSON。
- 加入严格 schema 校验、清晰错误信息、超时和重试，确保错误参数不会让 Agent loop 崩溃。
- 接入一个真实 API 或数据库，使用最小权限凭据，并记录每次调用的输入、输出、延迟和用户可见影响。
- 编写 eval cases，测试工具选择是否正确、参数是否准确、危险动作是否被拒绝、工具不可用时是否能恢复。
- 学习 MCP 或 Agent SDK，把工具暴露到跨进程服务中，比较内置工具、自定义函数和远程工具服务器的适用场景。