🧰 AI Agent 核心进阶：Tool Use / Tool Calling (工具调用) 原理与面试指南

如果说大模型（LLM）是大脑，那么 Tool Use（工具使用/工具调用） 就是为这个大脑装上了可以触碰物理世界的“手和脚”。

在上一篇我们了解了基础的 Function Calling（函数调用）。但在目前的 AI Agent 面试中，面试官更喜欢用 “Tool Use” 这个词。这不仅是一个技术接口，更是智能体（Agent）解决复杂问题的核心行为模式。

这篇文章将用大白话带你搞懂 Function Calling 和 Tool Use 的细微区别、常见工程架构，以及大厂极爱考的“工具调用容错机制”，附带保姆级实战代码！

---

💡 一、 Function Calling vs Tool Use：到底有啥区别？

很多初学者觉得这两个词是一回事，但在资深面试官眼里，它们代表了不同的业务抽象层级：

• Function Calling（函数调用）：偏向于底层 API 机制。比如 OpenAI 提供的 tools 参数，它的本质是让大模型输出一段结构化的 JSON 数据。它只是一个单纯的“参数提取器”。
• Tool Use（工具调用）：偏向于 Agent 的高级行为。它不仅包含了让模型输出 JSON，还包含了 Agent 拿到 JSON 后去执行代码、将报错信息捕获、将执行结果重新喂给模型、让模型继续思考的完整闭环（即 ReAct 循环）。

🌟 面试话术提炼：
“Function Calling 是模型具备的一种能力（输出结构化参数）；而 Tool Use 是 Agent 利用这种能力去和外部环境交互的工作流（Workflow）。”

---

⚙️ 二、 工具（Tool）的标准结构

不管是 LangChain、LlamaIndex 还是自己手搓 Agent，一个标准的“工具”都必须包含以下三个核心要素：

1. Name（工具名称）：必须是唯一的，通常只能包含字母、数字和下划线（如 web_search、python_interpreter）。
2. Description（工具描述）：这是最重要的部分！ 大模型完全依靠这段自然语言来决定什么时候该用这个工具。描述写得不好，大模型就会“乱用”或“不用”。
3. Schema / Arguments（参数格式）：定义这个工具需要接收什么参数（类型、是否必填等）。

---

🛡️ 三、 面试必考：Tool Use 的容错与防御机制

在生产环境中，把工具交给大模型是非常危险的。它可能会传错参数、漏传参数，或者本地的 API 直接挂掉。如何保证系统不崩溃？ 这是面试的重中之重。

大厂核心防坑策略：

1. 绝不让大模型直接执行危险操作：对于删库、付款等敏感 Tool，必须在执行层加入 HITL（Human-In-The-Loop，人工确认） 节点。
2. 捕获异常并“告诉”大模型：如果本地代码报错了（比如缺参数），千万不要直接把程序抛出 Exception 挂掉！要把报错信息（Error Traceback）转成字符串，作为 Tool 的 Observation（观察结果）返回给大模型，聪明的大模型会自动向用户追问缺失的参数，或者尝试换个参数重试。

---

🎯 四、 高频面试 Q&A 实战演练

Q1：各大模型厂商在 Tool Use 的底层实现上有什么区别？

标准答案：

• OpenAI 体系主要通过底层的 JSON Schema 强制约束，返回特定的 tool_calls 对象。
• Anthropic (Claude) 早期和部分开源模型更倾向于使用 XML 标签（如 <tool_use>...</tool_use>）来进行工具调用。
• 在工程落地时，我们通常会使用统一的中间件（如 LangChain 的 @tool 装饰器）来屏蔽这些底层模型的 API 差异。

Q2：如果系统里有 100 个工具，每次提问都要把 100 个工具的描述都发给大模型吗？

标准答案（高阶题）：
绝对不行！这会导致 Token 严重超载，且大模型的注意力会分散，导致选错工具。
正确的架构是“工具检索（Tool Retrieval）”：把所有工具的描述（Description）向量化存入向量数据库。当用户提问时，先在向量库里检索出 Top-5 最相关的工具，然后再把这 5 个工具发给大模型做最终决策。

Q3：Agent 调用工具陷入“死循环”怎么办？（比如模型一直传错同一个参数）

标准答案：
必须在系统层面设置硬性拦截机制：

1. 设置最大迭代次数（max_iterations），比如超过 5 次调用同一个工具失败，强制中断并回复用户“系统遇到技术困难”。
2. 在工具执行层维护一个状态机，如果检测到连续两次传入完全相同的错误参数，直接在本地截断，强制要求模型向用户求助。

---

💻 五、 面试加分代码：手搓一个带容错机制的 Agent Tool

在面试中，用 Python 写一个优雅的 Tool 装饰器，并展示“如何优雅地把报错信息扔回给大模型”，会让你显得极具工程经验。

import json
import traceback
from typing import Callable, Any

# ==========================================
# 1. 定义一个通用的工具类 (Tool Wrapper)
# ==========================================
class AgentTool:
    """
    包装本地函数的工具类，专门处理异常并与 LLM 交互
    """
    def __init__(self, name: str, description: str, func: Callable):
        self.name = name
        self.description = description
        self.func = func # 真实要执行的 Python 函数

    def execute(self, **kwargs) -> str:
        """
        执行工具的核心逻辑，包含面试必考的“容错捕获机制”
        """
        print(f"🔧 [执行工具] {self.name} | 传入参数: {kwargs}")
        try:
            # 尝试执行本地真实的函数
            result = self.func(**kwargs)
            # 无论结果是什么，都转成字符串，因为大模型只认字符串文本
            return json.dumps({"status": "success", "result": result}, ensure_ascii=False)
        except TypeError as e:
            # 🎯 面试亮点：参数传错了？不要崩溃！把报错信息返回给大模型！
            error_msg = f"参数类型错误或缺失必需参数: {str(e)}。请检查你生成的参数并重试。"
            print(f"⚠️ [工具报错] {error_msg}")
            return json.dumps({"status": "error", "message": error_msg}, ensure_ascii=False)
        except Exception as e:
            # 捕获其他所有未知的业务异常
            error_trace = traceback.format_exc()
            return json.dumps({"status": "error", "message": f"工具执行遇到内部错误: {str(e)}"}, ensure_ascii=False)

# ==========================================
# 2. 定义真实的业务函数
# ==========================================
def search_stock_price(symbol: str, date: str = "today") -> float:
    """模拟查询股票价格的函数"""
    # 模拟一个常见的业务报错：用户没传必填参数，或者参数格式不对
    if not isinstance(symbol, str) or len(symbol) == 0:
        raise ValueError("股票代码(symbol)不能为空且必须是字符串！")
    
    # 模拟查库返回结果
    mock_db = {"AAPL": 150.5, "TSLA": 200.1}
    if symbol in mock_db:
        return mock_db[symbol]
    else:
        raise KeyError(f"数据库中未找到股票代码: {symbol}")

# ==========================================
# 3. 实例化我们的 Tool，并模拟 Agent 执行流
# ==========================================
stock_tool = AgentTool(
    name="search_stock_price",
    description="查询指定股票代码的实时价格，必须传入 symbol 参数。",
    func=search_stock_price
)

if __name__ == "__main__":
    # --- 场景 1：大模型很聪明，传对了参数 ---
    print("--- 场景 1：正常调用 ---")
    # 假设这是大模型通过 JSON 解析出来的参数字典
    llm_generated_args_1 = {"symbol": "AAPL"} 
    observation_1 = stock_tool.execute(**llm_generated_args_1)
    print(f"返回给 LLM 的观察结果 (Observation): {observation_1}\n")

    # --- 场景 2：大模型犯蠢了，传错了参数名字 (面试核心展示点) ---
    print("--- 场景 2：大模型传错参数 ---")
    # 假设大模型幻觉了，把 symbol 传成了 company_name
    llm_generated_args_2 = {"company_name": "Apple"} 
    observation_2 = stock_tool.execute(**llm_generated_args_2)
    print(f"返回给 LLM 的观察结果 (Observation): {observation_2}\n")
    
    # 💡 面试讲解要点：
    # 告诉面试官：“在场景 2 中，由于参数不对，Python 会抛出 TypeError。
    # 但由于我们的 AgentTool 做了 try-except 封装，程序并没有崩溃。
    # 我们把错误文本转成了 JSON 扔回给大模型。
    # 大模型看到 '参数类型错误' 的提示后，它会在下一个回合中自我纠正（Self-Correction），重新输出正确的 {'symbol': 'AAPL'}！”