核心要点

  • 能讲清定义工具的三种方式：@tool 装饰器（最简，函数即工具）、StructuredTool.from_function（多参数/异步更灵活）、继承 BaseTool（需要复杂状态或自定义校验时）

  • 能说出工具三要素：名称、清晰的描述（给模型看，决定要不要调）、参数 schema（用类型注解或 Pydantic 定义，模型据此填参）

  • 能讲清绑定与调用闭环：model.bind_tools([...]) 把工具 schema 喂给支持 function calling 的模型，模型返回 tool_calls（要调哪个工具、什么参数）→ 本地执行 → 把结果作为 ToolMessage 回传 → 模型据此续答

  • 能点出准确率关键：工具描述和参数 schema 的质量直接决定模型选对工具、填对参数的概率，描述要写清「什么时候用、参数含义、返回什么」

标准回答

整体思路

让模型「会用工具」分两步：先把工具定义成模型能理解的 schema，再用 bind_tools 绑定，由模型决定何时调用、调用谁、传什么参数，框架负责执行并把结果回传。

第一步：定义工具

  • @tool 装饰器：最常用。给普通函数加 @tool，函数名作工具名，docstring 作描述，类型注解推断参数 schema。
  • StructuredTool.from_function：需要多参数、异步实现或更精细控制时用，可分别传同步/异步函数和显式 args_schema。
  • 继承 BaseTool：实现 _run/_arun，适合需要持有状态、做复杂参数校验或自定义错误处理的工具。

三种方式都要写清三要素：名称、描述（给模型判断是否调用）、参数 schema（推荐用 Pydantic 模型，给每个字段加 description）。

第二步：绑定模型

llm_with_tools = model.bind_tools([tool_a, tool_b])

bind_tools 会把工具的 JSON schema 注入到对模型的请求里，模型本身需支持 function calling / tool use（如 GPT、Claude、通义等主流模型）。

第三步：执行调用闭环

  1. 调 llm_with_tools.invoke(messages)，若模型决定用工具，返回的 AIMessage 带 tool_calls（含工具名和结构化参数）。
  2. 遍历 tool_calls，按名字找到对应工具并用参数执行，得到结果。
  3. 把结果包成 ToolMessage（带对应 tool_call_id）追加到消息列表，再次 invoke 模型。
  4. 模型读取工具结果，生成最终自然语言回答；若需要可多轮循环（多次调用工具）。

工程要点

  • 用 Agent 或 LangGraph 时，这套「调用-执行-回传」循环由框架自动驱动，无需手写。
  • 描述与 schema 质量是命中率核心；并发场景注意一次返回多个 tool_calls；工具内部要做异常处理，把错误也作为可读结果回传给模型，便于其纠正重试。

常见误区

⚠️ 常见踩坑

以为 bind_tools 后模型会自动执行工具——它只产出 tool_calls，真正执行和回传结果要你（或 Agent/LangGraph 框架）来做；工具描述写得含糊或参数没加 description，模型就选错工具、填错参数；忽略 tool_call_id，回传 ToolMessage 时对不上号会出错；模型不支持 function calling 还硬绑会失效，应改用提示词 + OutputParser 方案；把未校验的模型入参直接执行高危操作（删库、转账）而不加白名单与人工确认，存在安全风险。

追问

追问 1：Function Calling 和 ReAct 提示式工具调用有什么区别？该怎么选？

机制：Function Calling 由模型原生能力产出结构化 tool_calls（工具名 + JSON 参数），可靠性高、易解析；ReAct 靠提示词让模型按「Thought/Action/Observation」文本格式输出，再用解析器抠出动作和参数。

可靠性：原生 function calling 参数是结构化的，几乎不用担心格式解析失败；ReAct 依赖文本解析，模型一跑偏就解析出错。

选型：模型支持函数调用就优先用它（更稳、更省 token）；只有面对不支持的模型，或想要显式展示推理过程时才用 ReAct。2026 的主流框架默认走原生函数调用。

追问 2：怎么提高模型选对工具、填对参数的准确率？

写好描述：工具描述讲清「什么场景用、不该在什么场景用、返回什么」，让模型有明确的选择依据；相似工具要在描述里区分边界。

精确 schema：用 Pydantic 给每个参数加类型、description、枚举和默认值，约束模型填参空间；必填与可选要分清。

控制数量：单次绑定的工具别太多，过载会降低命中率，可按场景分组或先做一层路由。

容错回传：工具执行失败时把错误信息作为结果回传，模型能据此调整参数重试。

评测：用真实 query 集回归测试工具选择与参数正确率，针对错例迭代描述和 schema。

追问 3：模型一次返回多个 tool_calls 要并行执行吗？怎么处理多轮工具调用？

并行：模型可能在一条 AIMessage 里返回多个相互独立的 tool_calls，这些可以并发执行以降延迟，但要保证每个结果用对应的 tool_call_id 包成 ToolMessage 回传，顺序无所谓、id 对得上即可。

有依赖时：若后一个调用依赖前一个结果，模型通常会分多轮逐步发起，不会一次全给，按轮次串行执行即可。

多轮循环：把「invoke→执行 tool_calls→回传 ToolMessage→再 invoke」做成循环，直到模型不再产出 tool_calls 给出最终答复；用 LangGraph/Agent 时该循环由框架管理，并应设最大轮数和超时，防止工具调用无限循环。

🔗 相似问题

同一考点的不同问法，面试官可能换着问，一起刷更稳

没找到想看的面试题？把你想看的告诉我们 →

延伸学习

按主题分类的相关资源，便于系统复习

核心术语

查看更多 →

AI 工具

查看更多 →