Tool Calling

为什么需要 Tool Calling

普通 LLM 只能"说"——给你一段文字回答，但这段回答不能直接帮你：

• 查真实的天气
• 写入数据库
• 发送一封邮件

Tool Calling 让模型从"能说"变成"能做"——它能发起结构化的调用指令，让外部系统真正执行动作。

什么是 Tool Calling

一句话定义：Tool Calling 是让模型把"我应该做什么"转成"我应该调用哪个工具、传什么参数"的能力。

类比：Tool Calling 就像给模型一张"能力清单"——每个工具是一张卡片，写清楚"什么时候用它"、"需要传什么参数"。模型根据任务需要，选择并填写合适的卡片。

典型例子：

• 调用 get_weather(city) 查询天气
• 调用 search_docs(query) 搜索知识库
• 调用 create_todo(title) 创建待办

模型发起调用后���真正执行的是外部系统——这个过程需要 Function Schema 来定义参数契约，告诉模型每个工具该怎么用。

怎么做：Tool Calling 的关键

1. 工具描述要清楚

• query、text 这种参数名太抽象
• city、email_body、invoice_number 更明确

2. 参数约束要明确

• 字段类型、必填项、枚举值、默认值

3. 执行结果要回填

• 如果工具执行完没有把结果返回给模型，模型就无法进入下一步推理

调用一次工具只是开始，现实任务往往需要连续调用——这就引出了 ReAct 的概念：思考 → 行动 → 观察 → 再思考的循环闭环。

常见坑

• 不是所有模型都支持 Tool Calling
• 模型不会验证业务正确性：可能拼出格式正确但业务上错误的参数，服务端仍要做校验
• 工具可能失败：超时、权限不足、空结果都很常见
• 工具太多会增加选择难度

记住这一句：Tool Calling 让模型从"能说"变成"能做"——它发起调用指令，真正执行的是外部系统。

相关词条：Function Schema · ReAct