Tool Calling

中文建议： 工具调用
常见别名： Tool Use / Function Calling（部分生态中）
成熟度： 🟢
词条状态： ✅ Atlas-quality
重要程度： ★★★★★
学习阶段： 入门必懂
最后更新： 2026-08-17

---

30 秒理解

Tool Calling 是让模型不只“说”，还能请求外部系统替它“做”的机制。

模型本身通常只能接收输入并生成输出。通过 Tool Calling，它可以表达类似：

“请调用 search_web，参数是 query=agent harness。”

真正的搜索并不是模型自己完成的，而是 Harness / Runtime 收到这个结构化请求以后去执行工具，再把结果返回给模型。

所以最重要的一句话是：

模型负责选择和提出调用，系统负责真正执行。

---

先建立一个直觉

把模型想成坐在办公室里的分析师。

如果没有工具，它只能依靠脑中的知识回答问题。

如果给它：

• 搜索引擎；
• 数据库；
• 计算器；
• 邮件；
• 文件系统；
• Shell；
• 浏览器；

它就可以说：

我需要最新价格
   ↓
调用价格查询工具
   ↓
系统执行
   ↓
得到真实结果
   ↓
模型继续判断

工具是“手”，模型不是自己长出了一双手，而是学会了什么时候该让外部能力介入。

---

为什么需要 Tool Calling？

LLM 有三个天然限制：

1. 知识可能过时 —— 模型权重不是实时数据库；
2. 不能天然访问私有数据 —— 例如你的 CRM、邮件、代码仓库；
3. 不能天然改变外部世界 —— 例如发邮件、写文件、更新数据库。

Tool Calling 把模型和这些能力连接起来。

因此 Agent 的 Action 很多时候就是某种 Tool Call。

Model
  ↓  选择动作
Tool Call
  ↓
Harness / Runtime
  ↓  真正执行
External System
  ↓
Tool Result / Observation
  ↓
Model

---

技术定义

在工程上，Tool Calling 通常指：

模型根据开发者提供的工具定义，生成一个结构化的工具调用请求；宿主系统解析该请求、执行对应函数或外部能力，再把结果作为新的上下文返回模型。

一个工具定义通常至少包含：

name
├── 工具叫什么

description
├── 什么时候应该使用

input schema
├── 参数有哪些
├── 参数类型是什么

output / result
└── 执行后返回什么

OpenAI 的 Function Calling 会让模型生成符合定义 schema 的函数参数；Anthropic 更常使用 tool use 这一术语；MCP 中也有自己的 tools primitive。名称不同，但都在处理“模型如何请求外部能力”这个问题。

---

你可能是在这句话里遇到它

“The agent called a tool to search the repository, then used the result in the next turn.”

这句话可以拆成：

Agent Loop
   ↓
Model 发现自己缺信息
   ↓
生成 Tool Call
   ↓
Harness 执行工具
   ↓
返回 Tool Result
   ↓
Tool Result 进入 Context
   ↓
下一轮 Model Call

所以这里的 called a tool 不是“模型内部多想了一步”，而是模型和外部环境真的发生了一次交互。

---

一个最小例子

假设有一个天气工具：

get_weather(city: str) -> str

用户问：

“北京现在天气怎么样？”

模型可能输出一个结构化请求：

{
  "tool": "get_weather",
  "arguments": {
    "city": "北京"
  }
}

然后系统执行：

result = get_weather("北京")

得到：

晴，28°C

再把结果送回模型：

Tool result: 晴，28°C

模型最后才生成自然语言答案。

---

Tool Calling ≠ Tool Execution

这是最容易被忽略的一条边界。

Tool Calling
= 模型提出“我要调用什么、参数是什么”

Tool Execution
= 宿主系统真正运行代码 / API / 浏览器操作

如果模型输出：

请调用 delete_file("important.db")

文件并不会因为模型“说了”就自动消失。

是否真的执行、是否需要审批、是否在 Sandbox 中运行，都由外部系统决定。

这也是为什么 Tool Calling 和权限控制必须一起理解。

---

Tool Calling 和 Function Calling 有什么区别？

概念	最简单理解
Tool Calling / Tool Use	更宽泛：模型请求使用某种外部能力
Function Calling	常指通过结构化函数 schema 表达工具调用的一种接口形式
Hosted Tool	平台直接提供并执行的工具，例如 web search / file search
MCP Tool	由 MCP Server 按 MCP 协议暴露的工具

在很多日常讨论里，Tool Calling 和 Function Calling 会被近似使用；但理解系统架构时，建议把 Tool Calling 当成更上位的概念。

---

Tool Calling 和 MCP 有什么关系？

MCP 不是 Tool Calling 的替代品。

更准确地说：

Tool Calling
= 模型“想调用工具”的机制

MCP
= 外部系统如何以标准协议暴露工具 / 资源 / Prompt

所以一个 MCP Server 可以暴露 search_database 工具，而 Agent 仍然通过自己的 Tool Calling 机制决定是否调用它。

→ 继续看 MCP

---

为什么工具设计会直接影响 Agent 能力？

工具越多不一定越好。

一个工具如果：

• 名字含糊；
• description 写得不清楚；
• 参数 schema 太复杂；
• 一次返回大量无关内容；
• 错误信息不可理解；

模型就可能选错工具、传错参数，或者把宝贵 Context 浪费在噪声上。

因此 Tool Design 本身已经成为 Agent Engineering 的重要部分。

可以把它理解成：

你不是在给传统程序员设计 API，而是在给模型设计“可理解的行动空间”。

---

Concept Graph Relations

Agent ──uses────────→ Tools

Agent Loop ─contains→ Tool Calling

Tool Calling ─produces→ Tool Request

Harness ─executes───→ Tool Request

Tool Result ─feeds──→ Context

MCP ─exposes────────→ Tools

关系说明

• Agent → Tools：Agent 借助工具获得外部能力；
• Agent Loop → Tool Calling：工具调用通常发生在循环中的某一轮；
• Harness → Tool Request：真正解析和执行请求的是外围运行系统；
• Tool Result → Context：工具结果通常会成为下一轮模型输入；
• MCP → Tools：MCP Server 可以按统一协议暴露工具。

---

不同生态怎么叫？

生态	常见说法
OpenAI	Tools / Function Calling / Function Tools
Anthropic	Tool Use / Tools
MCP	Tools primitive
Agent Frameworks	Tools / Functions / Actions

名称不同，但遇到这些词时可以先问：

“是不是模型在请求一个模型外部的能力？”

如果是，大概率就在 Tool Calling 这一概念附近。

---

常见误解

❌ 有 Tool Calling 就一定是 Agent

不一定。固定 workflow 也可以调用工具。

真正的 Agent 通常还包含“根据工具反馈动态决定下一步”的循环。

❌ 模型自己执行了函数

通常不是。模型生成调用意图，宿主系统执行。

❌ 工具越多 Agent 越强

不一定。工具过多、描述模糊会增加选择难度和 Context 成本。

❌ Tool Result 一定可信

不是。外部工具也可能返回错误、恶意或被污染的数据。

---

Terminology Observatory

成熟度：🟢 稳定术语。

“模型调用外部函数 / 工具”已经成为现代 LLM API 和 Agent 系统中的基础能力。

需要注意的是，不同厂商的 API 命名仍不完全一致，因此：

Tool Calling
Tool Use
Function Calling

在文档中经常交叉出现。

---

下一步应该学什么？

1. Function Calling —— 结构化函数调用接口；
2. MCP —— 工具如何通过统一协议被暴露；
3. Agent Loop —— 工具结果怎样进入下一轮；
4. Harness —— 谁真正执行调用并管理权限；
5. Sandbox —— 高风险代码和命令在哪里安全执行。

---

一手资料

• OpenAI, Function Calling in the OpenAI API
• OpenAI, A practical guide to building agents
• OpenAI Agents SDK, Tools / Function tools
• Anthropic, Writing effective tools for AI agents
• Model Context Protocol, Tools specification