---

1、Tool Calling 到底是什么？

简单来说，Tool Calling（工具调用）就是让 AI 模型能够“使用工具”来完成它自己做不到的事情。

大语言模型本身只会“说话”——它只能根据输入的文字，生成文字回复。它不能查实时天气、不能算复杂的数学题、不能查数据库、不能发邮件。但有了 Tool Calling，模型就可以在需要的时候，主动请求调用一个外部函数或 API，然后把返回结果整合进自己的回答里。

2、一个直观的例子

假设你问 AI：“北京现在天气怎么样？”

没有 Tool Calling 时：模型只能根据训练数据回答，可能说“我无法获取实时天气”或者胡编一个温度。

有 Tool Calling 时，流程是这样的：

• 1、你问：“北京现在天气怎么样？”

• 2、模型判断自己需要调用一个天气查询工具，于是输出一个结构化的调用请求，

比如：

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

• 3、你的程序收到这个请求，真正去调用天气 API，拿到结果 {"temp": 25, "condition": "晴"}。

• 4、程序把结果返回给模型。

• 5、模型根据这个结果，生成最终回答：“北京现在 25 度，天气晴朗。”

关键点：模型自己并没有去查天气，它只是“决定要调用哪个工具、传什么参数”。真正执行的是你的代码。模型负责的是决策，不是执行。

3、为什么需要它？

因为模型有三个天生短板：

• 知识过时：训练数据有截止日期，查不了实时信息。
• 不会精确计算：数学、统计容易出错，不如直接调计算器。
• 碰不到外部世界：无法操作数据库、发请求、控制设备。

Tool Calling 就是给模型装上了一双“手”，让它能借助外部能力弥补这些短板。

4、技术上是怎么实现的？

主流做法是：在调用模型 API 时，除了传用户消息，还传一份工具定义列表，告诉模型“你有这些工具可用，每个工具叫什么、干什么、需要哪些参数”。模型如果觉得需要，就会返回一个结构化的工具调用请求，而不是普通文本。

比如 OpenAI、Anthropic、Google 的 API 都支持这种机制。工具的定义通常用 JSON Schema 描述参数格式，模型据此生成合法的调用参数。

5、和几个相近概念的区别

Function Calling：基本是同一个东西，OpenAI 最早叫 Function Calling，后来更广义地叫 Tool Calling。工具不一定是个函数，也可能是个 API、检索器、代码执行器等。

MCP（Model Context Protocol）：可以理解为“工具调用的标准化协议”。Tool Calling 是能力，MCP 是让不同模型和不同工具之间能统一对接的规范。

Agent（智能体）：Agent 通常会大量使用 Tool Calling。一个 Agent 就是一个能反复“思考→调工具→看结果→再思考”的循环系统，Tool Calling 是它的核心动作。

6、一句话总结

Tool Calling 让模型从“只会聊天”变成“能办事”——模型负责判断该用什么工具、怎么传参数，实际执行交给外部程序，最后模型再把结果组织成自然语言回答你。

7、站长提醒

有个问题在面试中经常被问到，总有人在此问题上翻车。面试题是这样的：模型自己执行函数吗？

正确答案是：不执行。

面试里必须讲清楚的一点：模型只是生成“调用意图”和参数，真正执行的是你的应用程序。这个设计保证了安全性——模型无法绕过你的代码直接操作系统。

---

---