核心要点
能讲命名与描述：函数名语义化、动词清晰，给每个工具和参数写明确 description，让模型靠语义而非猜测选用
能控制参数复杂度：参数少而正交，能拆默认值就别让模型填；用枚举/类型/范围约束收紧取值，减少幻觉参数
能区分必填可选：明确 required 与 optional，避免模型漏填必填或乱填可选项
能做结构化错误处理：工具失败返回结构化错误信息（码+原因+建议），让模型可据此重试或换路径
标准回答
一、命名与描述
函数名用语义化动词（如 search_orders、send_email），并为工具整体与每个参数写清晰 description，说明用途、单位、示例。模型主要靠这些自然语言线索判断"何时用、怎么填"。
二、参数设计
参数少而正交，避免一个函数塞太多职责；能用默认值或服务端推断的就不暴露给模型。用 enum 限定可选值、用 type/format/范围约束取值，明确区分 required 与 optional，从 schema 层面压缩模型幻觉参数的空间。
三、返回与错误
成功返回结构化结果；失败返回结构化错误（错误码、原因、可选的修复建议），而非裸异常字符串，便于模型重试、换参数或转其他工具。
面试里可以补一句：设计工具 / 函数 Schema 让模型可靠调用 在大模型场景下通常要同时权衡效果、延迟、成本和安全边界。回答时最好带一个例子，比如上下文过长、幻觉、缓存命中或工具调用失败时，系统应该如何降级和观测。
四、验证
服务端对模型产出的参数做校验与白名单，绝不无条件信任，防止越权或注入。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：把一个函数设计得参数又多又自由、缺少 description 和枚举约束——模型会频繁填错或幻觉参数；另一误区是工具报错只返回裸异常文本，模型无法据此恢复。
追问
追问 1：工具数量很多导致模型选错怎么办？
控制单次暴露给模型的工具数，保持工具集少而正交；为工具写清晰、互不重叠的描述；用路由/分诊先按意图筛出候选子集再交给模型选择。必要时分层：上层选类别，下层选具体工具。
追问 2：如何降低模型幻觉出不存在的参数？
用严格 schema：枚举限定取值、type/format 约束类型、标注 required；服务端对返回的参数做校验并拒绝非法字段。开启结构化输出/约束解码（如 JSON schema 强约束），让模型只能在合法字段内生成，从根上抑制幻觉参数。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习