核心要点

  • 能讲清调用闭环：声明 tools 的 JSON Schema → 模型返回 tool_calls 结构化输出 → 宿主执行函数 → 把结果作为 tool message 塞回 → 模型据此继续回答

  • 能点出模型本身不执行函数：它只生成「要调哪个函数、传什么参数」的结构化意图，真正执行在应用层

  • 能说出可靠性手段：SFT 用工具轨迹微调、推理时 constrained decoding 保证 JSON 合法，参数校验放应用层

  • 能说出工程实践：工具描述要清晰、失败把错误回传让模型重试、并行 tool calls 提升效率

简要回答

在 prompt 中声明工具 JSON Schema，模型生成 tool_calls 结构化输出，宿主执行函数后将 observation 塞回 messages，模型据此继续回答。

标准回答

调用闭环

  1. 定义 tools=[{name, description, parameters(schema)}] 随请求传给模型。
  2. 用户提问。
  3. 模型返回 tool_calls（要调的函数及参数）或最终文本。
  4. 若有 tool_calls，应用层执行函数并把结果作为 tool message 追加回 messages。
  5. 模型基于工具结果生成最终回答。

关键点：模型本身不执行函数，它只输出结构化的调用意图，真正执行在宿主侧。

为什么模型能稳定产出合法 JSON

  • 训练：用工具调用轨迹做 SFT，让模型学会何时调、怎么填参数。
  • 推理：用 constrained decoding 约束输出符合 schema，保证 JSON 合法。

工程实践

工具描述要清晰无歧义；参数校验放在应用层；调用失败时把错误信息回传让模型重试；可并行多个 tool calls 提升效率。

常见误区

⚠️ 常见踩坑

以为是模型直接执行了函数——模型只生成调用意图，执行与鉴权都在应用层，因此参数必须在应用层校验、不能信任模型输出；另一误区是工具描述写得含糊，模型选错工具或填错参数，描述质量直接决定调用准确率。

追问

追问 1：OpenAI tools 和 MCP 如何配合？

题库专题：什么是 MCP（Model Context Protocol）？解决什么问题？

OpenAI Function Calling 是模型 API 层的结构化工具调用；MCP 是工具提供方的协议与运行时。常见模式：Host 从 MCP Server 拉取 tool schema，转成 OpenAI tools 格式注入请求；执行时 Host 调 MCP Server，再把结果塞回 messages 完成闭环。

题库延伸：与本追问相关的专题题 → 什么是 MCP（Model Context Protocol）？解决什么问题？

追问 2：如何防止模型调用危险工具？

工具层白名单与参数 schema 校验；高危操作（删库、转账）强制人工确认；沙箱执行与最小权限 IAM；速率限制与审计；模型侧 system prompt 约束；对 tool output 做策略检查后再展示给用户。

延伸学习

与本题相关的知识库文章、术语、工具与行业资讯。

📚 知识库

📖 术语表

📰 AI 资讯

🛠️ AI 工具

  • LangChain

    最流行的 LLM 应用开发框架，137K+ stars。提供链式编排、RAG 检索增强生成、Agent 构建等核心能力，覆盖 Python 和 JavaScript 双语言生态，是构建 LLM 应用的基础设施

  • MCP Playwright

    Playwright 浏览器自动化的 MCP 实现，将成熟的 Playwright 测试框架能力通过标准 MCP 协议暴露给 AI Agent。支持网页抓取、表单自动化、E2E 测试场景、SPA 应用交互等完整浏览器自动化能力。5,400+ GitHub Star，相比原生浏览器 MCP 方案，Playwright 的跨浏览器支持（Chromium/Firefox/WebKit）和成熟 API 使其在复杂场景下更可靠

  • AutoGen / AG2

    微软开源对话式多 Agent 框架，54,000+ GitHub stars（最高），强项是代码沙箱和迭代调试，多个 Agent 通过对话协作完成复杂编程任务，MIT 协议

  • crewAI

    角色扮演 AI Agent 编排框架，49,411+ stars。通过角色分配让多个 Agent 协作完成复杂任务，支持工具调用、任务委派、结果审核。是构建 Multi-Agent 系统的最流行框架。

🎯 相关面试题