04 工具调用（Tool / Function Calling）
面向初学者的 AI Agent「工具调用」面试八股文：从 Function Calling、Tool 设计，到 MCP、路由与编排，再到安全与常见实现。
每个知识点尽量包含：概念解释、原理详解、面试 Q&A、追问应对、Python 代码示例。
目录
MCP 协议（Model Context Protocol）
安全性
Function Calling 基础
1.1 什么是 Function Calling
概念解释
Function Calling（函数调用）指：大语言模型在生成回复时，不是直接输出最终答案，而是先输出「要调用哪个外部函数、用什么参数」的结构化指令；宿主程序（你的 Python 服务）真正执行该函数，再把结果喂回模型，形成多轮对话闭环。这样模型可以查实时数据、算复杂表达式、操作数据库等，突破「仅靠训练记忆回答」的限制。
原理详解
•
从接口角度：多数厂商把「可调用的函数列表」和「用户问题」一起发给模型；模型在概率分布上被训练/对齐为：在合适时输出 tool_calls（或等价字段），而不是胡编乱造函数结果。
•
从安全角度：模型不直接执行代码，执行权在应用层，便于鉴权、审计、限流。
•
与「纯文本里写 call foo(1,2)」的区别：Function Calling 使用 机器可解析 的 JSON/结构化格式，便于框架自动解析与校验。
1.2 OpenAI Function Calling 的工作原理
概念解释
以 OpenAI Chat Completions 为例：你在请求里提供 tools（函数元数据数组）和 tool_choice（可选，控制是否必须调用工具）；模型返回的 message 里可能带有 tool_calls，每一项包含 id、function.name、function.arguments（JSON 字符串）。你的代码解析后执行本地函数，再以 role=tool 的消息把结果追加到对话里，再次请求模型生成面向用户的自然语言答案。
原理详解
首轮：system + user + tools → 模型可能返回 assistant + tool_calls。
执行：应用根据 name 路由到 Python 函数，arguments 反序列化后调用。
次轮：把每条工具结果作为 tool 消息（带 tool_call_id）写回，再请求 → 模型综合工具输出作答。
并行：若模型一次返回多个 tool_calls，可并行执行（注意线程安全与副作用）。
流式：流式响应里 tool_calls 可能分片到达，需要增量拼接 arguments。
面试 Q1：OpenAI 的 Function Calling 大致流程是什么？
标准答案（A）：客户端把工具定义（名称、描述、参数 JSON Schema）随对话发给 API；模型在需要时返回 tool_calls；宿主解析并执行真实函数；将结果以 tool 角色消息写回并再次调用 API；直到模型不再请求工具或达到轮次上限。核心是「模型只负责决策与参数，执行在应用侧」。
追问应对
•
问：tool_choice 有什么用？
答：auto 由模型决定；none 禁止工具；required 强制至少调用一次；也可指定某个 function 强制调用。用于调试、合规场景（必须走某工具）或 A/B。
•
问：和 RAG 的关系？
答：RAG 是「检索再生成」；Function Calling 是「模型选择动作」。常组合：检索用工具或向量库，生成阶段再决定是否调用计算器/数据库。
1.3 函数定义（JSON Schema）
概念解释
每个可调用函数在 API 里通常描述为：type: function，function.name（唯一标识），function.description（给模型看的自然语言说明），function.parameters（符合 JSON Schema 的对象，描述参数类型、是否必填、枚举等）。
原理详解
•
JSON Schema 让运行时可以做校验（jsonschema 库），也让模型有明确字段名与类型提示。
•
建议：description 写清「何时调用、不何时调用」；对模糊词（如「最近」）在描述里约定格式（如 ISO 日期）。
•
复杂结构可用 object、array、enum、oneOf 等；但过于复杂的 Schema 可能增加模型填错概率，可适当拆分多个小函数。
面试 Q2：为什么用 JSON Schema 描述参数？
A：三方面——（1）跨语言标准，各 SDK 统一；（2）可自动校验，避免脏参数进业务；（3）作为模型「字段说明」，减少胡编参数名。缺点是 Schema 过长会占 token，需要精简描述或工具路由。
追问应对
•
问：必填字段怎么表示？
答：在 JSON Schema 里用 required: ["a","b"]，同时 properties 里声明各字段 type。OpenAI 工具格式与 JSON Schema Draft 兼容（具体以厂商文档为准）。
1.4 模型如何决定调用哪个函数
概念解释
模型并非运行「真正的 if-else 规则引擎」，而是基于训练与对齐后，在看到用户意图 + 工具描述时，输出概率最高的结构化动作。等价于：在「续写」空间里，工具描述把某些 token 序列（函数名、JSON 参数）的概率抬高。
原理详解
•
描述质量决定区分度：两个工具功能重叠时，模型容易混淆。
•
用户表述触发关键词与语义：例如「明天天气」更可能触发 get_weather。
•
系统提示可约束：「涉及计算必须用 calculate」。
•
部分实现会做两阶段：先小模型/分类器选工具，再大模型填参（见「工具路由」）。
面试 Q3：模型选错工具怎么办？
A：工程上（1）优化 description 与示例边界；（2）工具路由缩小候选集；（3）执行前做规则校验或二次确认；（4）对高风险操作要求人类确认；（5）记录 bad case 做 prompt 迭代。不能假设模型 100% 正确。
1.5 参数提取与验证
概念解释
参数提取：从 tool_calls[].function.arguments 得到 JSON 字符串并 json.loads。验证：用 JSON Schema 校验类型、范围、枚举；业务层再校验权限与资源是否存在。
原理详解
•
模型可能输出不完整 JSON（流式）或多余字段（若你未禁止）；需在服务端 additionalProperties: false（若支持）并剥离未知键。
•
对数字、日期做规范化（时区）。
•
失败策略：返回错误信息给模型「请重试」或降级为只读工具。
面试 Q4：如何做参数校验？
A：分层——语法层 json.loads；结构层 jsonschema.validate；语义层业务函数（如用户 ID 是否存在）；安全层鉴权与输入清洗（见第 6 节）。
1.6 完整代码示例（OpenAI API 调用）
下面示例使用 OpenAI 官方 Python SDK 风格（需安装 openai，并设置环境变量 OPENAI_API_KEY）。为便于阅读，省略生产级重试与日志。
代码块
Python
import json
from typing import Any
from jsonschema import validate, ValidationError
from openai import OpenAI
# 工具 JSON Schema（parameters）
WEATHER_PARAMS = {
"type": "object",
"properties": {
追问应对
•
问：为什么要循环 for _ in range(5)？
答：多轮工具调用（先查列表再查详情）需要多次 API；上限防止逻辑错误导致无限循环。
•
问：tool_call_id 作用？
答：把工具结果与某次 tool_calls 中的条目一一对应，支持并行多个调用。
Tool Use / Tool Calling
2.1 Tool 的定义与注册
概念解释
在应用内部，「Tool」= 可执行能力单元：名称、描述、参数规范、处理函数。注册指在 Agent 启动时把工具对象加入注册表（字典或列表），运行时由路由器/模型选择并派发。
原理详解
•
注册表常见结构：name -> callable 或 List[BaseTool]。
•
与纯 Function Calling 映射：把同一套元数据转成各厂商 API 需要的 tools 格式（适配层）。
面试 Q5：Tool 与业务里的普通 Python 函数有何不同？
A：Tool 多了面向模型的元数据（描述、Schema）和统一执行接口（记录日志、超时、权限）。业务函数关注领域逻辑；Tool 是 Agent 可调度的「外壳」。
2.2 工具描述的最佳实践
概念解释
description 是模型判断是否调用、如何填参的主要依据。应写：功能一句话、何时用、何时不要用、参数含义与格式、返回值语义（若影响后续推理）。
原理详解
•
避免两个工具描述语义重叠；重叠时加「优先使用 A 当…，否则 B」。
•
对易混参数（如 user_id vs email）举例说明。
•
英文或中文与模型服务语言一致可减少混淆。
追问应对
•
问：描述太长怎么办？
答：分层——核心描述保持短；细节放 parameter.description；超大工具集用路由先筛选（见第 4 节）。
2.3 工具参数设计
概念解释
参数宜少而精、类型明确；能用枚举就不用自由文本；日期时间统一 ISO 8601；避免「万能字符串」承载多种含义。
原理详解
•
多参数强依赖时，可拆成链式多个工具，降低单次 JSON 复杂度。
•
对可选参数默认值在 Schema 或文档中写清。
2.4 工具返回值处理
概念解释
工具返回值会作为 tool 消息内容进入上下文。应稳定、可解析：优先 JSON 字符串；错误用统一结构 { "error": "..." }，便于模型纠错。
原理详解
•
超大结果需摘要或分页（再提供 fetch_more 工具），避免撑爆上下文。
•
二进制内容应转为文本描述或 URL，不要直接塞原始字节。
面试 Q6：工具返回 10MB 日志怎么办？
A：不应直接返回。应（1）截断 + 摘要；（2）写入对象存储返回链接；（3）提供 grep_in_log 等缩小工具；（4）向量索引仅检索相关片段。
2.5 错误处理与重试
概念解释
网络与模型都可能失败。策略包括：可重试错误（429、5xx）指数退避；不可重试（4xx 参数错）把错误给模型；工具内部超时；熔断防止拖垮依赖。
原理详解
•
幂等：重试前确认接口幂等或使用去重键。
•
部分成功：多工具并行时，单个子失败可只重试该分支。
2.6 LangChain 中的 Tool 定义代码示例
以下使用 LangChain 1.x 风格（langchain-core 的 @tool；版本差异请以官方文档为准）。若你环境版本不同，可改为 StructuredTool.from_function。
代码块
Python
from typing import Literal
from langchain_core.tools import tool
追问应对
•
问：@tool 和手写 StructuredTool 区别？
答：@tool 从 docstring 推断描述与参数，开发快；复杂 Schema 或需自定义校验时用 StructuredTool 更可控。
MCP 协议（Model Context Protocol）
3.1 MCP 是什么
概念解释
MCP（Model Context Protocol）是由 Anthropic 推动的开放标准，用于在 AI 应用（Host） 与 外部数据源/工具（MCP Server） 之间建立统一、可插拔的通信方式。可理解为「AI 侧的 USB-C」：一次实现 Server，多个客户端（Claude Desktop、IDE、自研 Agent）可复用。
原理详解
•
协议定义了能力发现、资源读取、工具调用、提示模板等消息格式与生命周期。
•
目标：把「每个产品各写一套插件」变成「标准协议 + 多实现」。
3.2 核心组件：Client、Server、Transport
概念解释
•
MCP Server：暴露工具/资源/提示的实现进程（如连接 GitHub、数据库）。
•
MCP Client：运行在 Host 内，与 Server 建立会话，转发模型侧请求与结果。
•
Transport：传输层，常见 stdio（子进程标准输入输出）、HTTP/SSE 等。
原理详解
•
stdio 适合本地子进程；HTTP 适合远程服务。
•
Client 负责能力协商、把 Server 工具映射为模型可用的工具列表（与 Function Calling 衔接）。
面试 Q7：MCP 里 Client 和你在 OpenAI 里写的「执行工具的 Python 代码」是什么关系？
A：OpenAI 场景下你手写 run_tool；MCP 下 Client 把远端/子进程 Server 的工具列表拉平，调用时按协议发 RPC，结果再转成 tool 消息。你仍要写 Host 逻辑，但工具实现可独立进程、独立语言。
3.3 MCP vs Function Calling 的区别
#ytFhCaGfTRfH text { white-space: pre; }#ytFhCaGfTRfH .fb0 { stroke: var(--N900-FG, 0.15); }#ytFhCaGfTRfH .fb0 {stroke: rgba(31,35,41, 0.15)}#ytFhCaGfTRfH .fx0 { stroke-miterlimit: 10; }#ytFhCaGfTRfH .fx0 {stroke-miterlimit: 10}#ytFhCaGfTRfH .fa1 { fill: rgb(187, 191, 196); }#ytFhCaGfTRfH .fa1 {fill: rgb(187, 191, 196)}#ytFhCaGfTRfH .fx1 { font: 400 12px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#ytFhCaGfTRfH .fx1 {font-style: normal}#ytFhCaGfTRfH .fx2 { text-anchor: middle; }#ytFhCaGfTRfH .fx2 {text-anchor: middle}#ytFhCaGfTRfH .fx3 { dominant-baseline: central; }#ytFhCaGfTRfH .fx3 {dominant-baseline: central}#ytFhCaGfTRfH .fx4 { stroke: none; }#ytFhCaGfTRfH .fx4 {stroke: none}#ytFhCaGfTRfH .fc0 { fill: var(--text-caption); }#ytFhCaGfTRfH .fc0 {fill: #646a73}#ytFhCaGfTRfH .fa2 { fill: var(--text-link-disabled); }#ytFhCaGfTRfH .fa2 {fill: rgb(187, 191, 196)}#ytFhCaGfTRfH .fx5 { font: 400 16px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#ytFhCaGfTRfH .fx5 {font-style: normal}#ytFhCaGfTRfH .fx6 { text-anchor: start; }#ytFhCaGfTRfH .fx6 {text-anchor: start}#ytFhCaGfTRfH .fx7 { dominant-baseline: alphabetic; }#ytFhCaGfTRfH .fx7 {dominant-baseline: alphabetic}#ytFhCaGfTRfH .fc1 { fill: rgb(31, 35, 40); }#ytFhCaGfTRfH .fc1 {fill: rgb(31, 35, 40)}#ytFhCaGfTRfH .fb1 { fill: var(--N900-FG, 0.15); }#ytFhCaGfTRfH .fb1 {fill: rgba(31,35,41, 0.15)}#ytFhCaGfTRfH .fb2 { fill: rgb(209, 217, 224); }#ytFhCaGfTRfH .fb2 {fill: rgb(209, 217, 224)}#ytFhCaGfTRfH .fa3 { fill: var(--bg-body); }#ytFhCaGfTRfH .fa3 {fill: #fff}ABC12345维度层级实现位置复用关系Function Calling多为「单次 API 能力」：模型输出调用指令通常在应用进程内函数每个应用复制粘贴集成互补：Host 常把 MCP 工具转成 FC 的 tools 定义给模型MCP系统级协议：如何发现与调用工具、资源常在独立 Server，可远程标准 Server 多 Host 复用
标准答案：Function Calling 解决「模型怎么表达调用」；MCP 解决「工具能力怎么暴露与连接」。二者常一起出现：模型侧用 FC，工具侧来自 MCP。
3.4 MCP 的优势
概念解释
•
标准化：消息与能力模型统一，降低集成成本。
•
可复用：同一 MCP Server 给桌面、IDE、Agent 用。
•
生态：社区可共享 Server 实现；企业可内网部署私有 Server。
•
隔离：工具崩溃不拖垮主进程（进程边界）。
3.5 MCP Server 的实现示例
以下为示意代码：真实项目请使用官方 mcp Python 包（pip install mcp），并以最新文档为准。下面用常见「FastMCP」风格说明结构。
代码块
Python
# 需要: pip install mcp
# 以下为概念示例，包名与 API 请以官方文档为准
try:
from mcp.server.fastmcp import FastMCP
except ImportError:
FastMCP = None # 环境未安装时仅作结构说明
若未使用 FastMCP，也可用手写 Server + stdio，核心是：声明工具列表、处理 tools/call 类请求、返回结构化内容。面试中讲清「进程边界 + JSON-RPC 风格消息」即可得分。
追问应对
•
问：MCP 和 OpenAPI 网关区别？
答：OpenAPI 面向通用 HTTP 客户端；MCP 面向 AI Host 与模型工具循环，带会话、资源、提示等 AI 原生语义。
3.6 MCP 在企业级应用中的价值
概念解释
•
治理：工具集中在 MCP Server，便于审计、版本与权限。
•
复用：数据中台、工单、内部 Wiki 各做一个 Server，多产品接入。
•
安全边界：敏感系统只对内网 Server 开放，模型不直连数据库。
•
合规：在 Server 侧落日志与审批，比散落在每个 Agent 代码里更可控。
面试 Q8：企业为什么愿意接 MCP 而不是每个业务线自己写 Function？
A：降低重复建设、统一安全与观测、加快试点（换模型不换工具链）、利于平台组与业务组分工。
工具路由（Tool Routing）
4.1 当工具数量多时如何高效选择
概念解释
工具过多时，一次性把所有 description 塞进上下文会：费 token、干扰模型、增加误选。解决思路是先缩小候选集再让大模型填参，或用小模型专门做路由。
原理详解
•
典型阈值：几十到上百个工具就要开始考虑路由（视模型与描述长度而定）。
•
方法：向量检索、分类/意图模型、层级目录（先选类再选工具）、规则前缀（用户以 /db 开头走数据库类）。
4.2 基于向量检索的工具路由
概念解释
离线：把每个工具的 name + description + 关键词 做成 embedding，存向量库。在线：用户问题 embedding，Top-K 相似工具作为本轮唯一候选，再交给 LLM。
原理详解
•
优点：实现快、可跨语种模糊匹配。
•
缺点：极依赖描述质量；边界 case 需加规则或混合检索（关键词 + 向量）。
4.3 基于分类模型的工具路由
概念解释
训练或提示一个轻量分类器（BERT、小 LLM、或结构化输出），输入用户句，输出工具 ID 或工具组 ID。比全量工具更省、更稳。
原理详解
•
数据：历史日志标注「正确工具」可finetune。
•
与向量路由混合：分类器粗分 + 向量细分。
4.4 工具分组与层级
概念解释
按域分组：database_*、hr_*、crm_*。第一轮只暴露组级 meta-tool（如 list_hr_tools），或让模型先选组再选具体工具。
原理详解
•
层级过深会增加对话轮次，需在「token 节省」与「轮次增加」间权衡。
4.5 代码示例（向量路由示意）
代码块
Python
from dataclasses import dataclass
# 需要: pip install numpy openai
import numpy as np
from openai import OpenAI
@dataclass
class ToolSpec:
name: str
description: str
def embed_texts(client: OpenAI, model: str, texts: list[str]) -> np.ndarray:
resp = client.embeddings.create(model=model, input=texts)
面试 Q9：向量路由选出来的工具不对怎么兜底？
A：Top-K 调大、混合关键词打分、加一层 LLM「是否适用」二分类、允许用户澄清、保留「通用搜索」工具作后备。
工具编排（Tool Orchestration）
5.1 串行工具调用
概念解释
后一步依赖前一步输出，例如：先 lookup_user_id 再 get_orders(user_id)。实现上必须等前一个 tool 消息返回后再发起下一轮模型请求（或在同轮若模型一次输出多个有依赖的调用，需谨慎，通常仍按顺序执行）。
原理详解
•
在图工作流里体现为有向边；LangGraph、Temporal 等可显式建模。
5.2 并行工具调用
概念解释
无相互依赖的多个查询（查天气 + 查股价）可并行 HTTP，缩短延迟。OpenAI 可能在一次 assistant 消息返回多个 tool_calls。
原理详解
•
注意速率限制与连接池；写操作并行可能导致竞态，需业务锁或串行。
5.3 工具链（Tool Chain）
概念解释
把多个工具按固定或动态顺序组合成复合流程，如「检索 → 摘要 → 存储」。可以是代码写死的 Pipeline，也可以是 LLM 每步决定下一步（ReAct / Agent）。
原理详解
•
静态链：适合稳定 SOP；动态链：适合开放域任务，但要防循环与成本失控。
5.4 条件工具调用
概念解释
根据中间结果分支：仅当 risk_score > 0.8 才调用 human_review。可用规则引擎、小模型分类、或让主模型输出结构化「分支字段」（需校验）。
5.5 工具调用的依赖管理
概念解释
显式维护 DAG：节点是工具调用，边是数据依赖。调度器拓扑排序执行；检测环；失败时重试或补偿。
原理详解
•
对长事务用 Saga 或幂等重试；对 AI 步骤用「检查点」持久化状态。
面试 Q10：并行与串行如何取舍？
A：读多且无依赖并行；有写冲突、强一致、或后一步参数必须来自上一步精确字段时串行；可并行读再串行写（Quorum 读/写视业务而定）。
5.6 代码示例（简单编排：先路由再并行）
代码块
Python
import concurrent.futures
import json
from typing import Any, Callable
ToolFn = Callable[..., Any]
def safe_call(name: str, fn: ToolFn, kwargs: dict[str, Any]) -> dict[str, Any]:
try:
return {"tool": name, "ok": True, "result": fn(**kwargs)}
except Exception as e:
return {"tool": name, "ok": False, "error": str(e)}
安全性
6.1 工具调用的权限控制
概念解释
模型本身没有用户身份，必须在服务端把「当前会话用户」与角色/权限绑定，执行工具前检查：是否可读该表、是否可操作该租户。
原理详解
•
禁止把服务账号密钥交给模型侧推理环境。
•
使用用户 OAuth token 或后端代持且按最小权限。
6.2 输入验证与清洗
概念解释
防 Prompt 注入 诱导工具执行越权参数；防 SQL 注入、路径穿越（../../etc/passwd）。对所有进入工具的字符串做白名单、参数化查询、chroot/沙箱。
6.3 敏感操作确认
概念解释
删除、转账、对外发邮件等，需 人在回路（HITL） 或二次令牌；或把工具设计为「创建草稿」而非「直接发送」。
6.4 调用频率限制
概念解释
按用户/IP/工具维度 rate limit，防刷与成本失控；指数退避应对 429。
6.5 审计日志
概念解释
记录：时间、用户、工具名、参数摘要、结果状态、模型请求 ID。用于合规与事后追溯。
面试 Q11：如何防止模型通过工具泄露敏感数据？
A：最小权限、结果脱敏（掩码）、行级权限、禁止把密钥放进工具返回值、敏感字段仅后端可见且不出现在模型上下文。
常见工具实现
7.1 搜索工具（Web Search）
概念解释
封装搜索引擎 API（Bing、SerpAPI、自建爬虫需合规）。返回摘要与链接，避免整页 HTML 直接进入上下文。
Python 示意
代码块
Python
import os
import urllib.parse
import urllib.request
def web_search(query: str, max_results: int = 5) -> list[dict]:
"""占位：真实环境使用官方搜索 API 并处理分页。"""
q = urllib.parse.quote(query)
url = f"https://duckduckgo.com/html/?q={q}" # 示例仅作结构说明，生产请用合规 API
req = urllib.request.Request(url, headers={"User-Agent": "AgentBot/1.0"})
with urllib.request.urlopen(req, timeout=10) as resp:
html = resp.read(200_000)
return [{"title": "stub", "snippet": html[:200].decode(errors="ignore"), "url": url}]
7.2 数据库查询工具
概念解释
永远参数化查询，禁止字符串拼接 SQL。最好只允许只读账号 + 白名单表 + 行级权限。
代码块
Python
def query_user_orders(conn, user_id: str, limit: int = 20) -> list:
sql = "SELECT id, amount, created_at FROM orders WHERE user_id = %s ORDER BY created_at DESC LIMIT %s"
with conn.cursor() as cur:
cur.execute(sql, (user_id, limit))
return list(cur.fetchall())
7.3 API 调用工具
概念解释
对内部 REST 封装：GET/POST、超时、重试、鉴权头从服务端保险柜取，不让模型看见 token。
7.4 代码执行工具
概念解释
高风险：必须在沙箱（Docker、gVisor、WASM）中执行，限制 CPU/内存/网络，禁用危险模块；默认应关闭或仅对内网。
7.5 文件操作工具
概念解释
限制根目录（chroot 或路径规范化），禁止任意路径；写操作需备份或 diff；大文件分块读。
代码块
Python
import os
SANDBOX_ROOT = "/var/agent_sandbox"
7.6 计算器工具
概念解释
对数学表达式用 AST 解析或 numexpr，禁止 eval 任意字符串，以防代码执行。
代码块
Python
import ast
import operator
_ALLOWED = {
综合面试题精选（≥15 题）
下列题目覆盖前文各模块，便于系统复习。背诵时建议理解「为什么」，而非死记句子。
Q1：Function Calling 和「让模型输出 JSON」有什么本质区别？
A：Function Calling 是厂商提供的结构化工具调用通道（字段名、类型、与对话轮次绑定）；纯 JSON 输出依赖 prompt 约束，解析脆弱、易混入闲聊文本。FC 更利于多轮 tool 消息与并行调用 ID 对齐。实践中也可结合：FC 负责调度，JSON 负责业务负载。
追问：若模型不支持 FC 怎么办？——可用 JSON mode / 约束解码 / 后处理抽取；或用小模型做「动作分类」。
Q2：描述 OpenAI 兼容接口里 tool_calls 与 tool 消息的对应关系。
A：每条 assistant.tool_calls[] 有唯一 id；执行后每条结果作为一条 role=tool 消息，且必须带相同 tool_call_id，保证多并行调用时不错配。
Q3：为什么工具 description 比函数名更重要？
A：模型主要依据自然语言描述区分相似工具；函数名更多是给程序路由用。描述应写清边界与反例。
Q4：如何设计 JSON Schema 降低模型填错概率？
A：减少可选参数模糊性；用 enum；在 description 给示例；避免深层嵌套；必要时分拆多个函数。
Q5：LangChain Tool 的 docstring 为什么要写「何时不要用」？
A：减少误触发（false positive），尤其在工具功能重叠时，这是线上质量关键。
Q6：MCP 解决的主要痛点是什么？
A：工具集成碎片化、重复建设、难以跨产品复用；MCP 提供标准边界（Server）与传输，使工具像外设一样即插即用（在生态支持前提下）。
Q7：MCP 与 Function Calling 是替代关系吗？
A：不是。FC 是模型侧表达；MCP 是工具侧集成。Host 常将 MCP 工具列表映射为 FC 的 tools。
Q8：工具路由什么时候必须上？
A：当工具数量导致上下文膨胀、误选率上升或延迟/成本明显增加时；具体阈值依赖模型与描述长度，常见从几十起考虑。
Q9：向量路由的缺陷与改进？
A：缺陷：描述不佳则 embedding 不准；OOV 专有名词弱。改进：混合检索、同义词表、用户域特征、日志驱动迭代描述、加轻量分类器。
Q10：并行工具调用要注意什么？
A：幂等性、后端并发限制、数据竞争（写操作）、结果合并顺序、部分失败重试策略。
Q11：什么是工具编排中的「依赖 DAG」？
A：把工具调用当节点，数据依赖当边；拓扑排序执行，避免环与竞态，便于失败重试与可视化监控。
Q12：敏感操作为什么推荐「两阶段提交」式工具设计？
A：第一阶段生成草稿/待确认对象，第二阶段在用户确认后再真正执行，降低模型误触发损失。
Q13：工具返回为什么要尽量结构化（JSON）？
A：便于模型解析下一步推理、便于程序校验与日志；纯自然语言易产生歧义。
Q14：如何做工具调用的权限控制？
A：会话绑定真实用户身份；服务端校验租户与角色；最小权限；敏感操作 HITL；不把长期密钥暴露给模型上下文。
Q15：代码执行工具如何做到基本安全？
A：沙箱隔离、资源与网络限制、禁用危险模块、超时、只读默认、审计；生产慎用。
Q16（加一）：审计日志至少记哪些字段？
A：时间、trace/request id、用户/租户、工具名、参数摘要（脱敏）、结果状态、耗时、模型版本；合规场景保留策略与不可篡改存储视要求而定。
Q17（加一）：Calculator 为什么禁止 eval？
A：eval 可执行任意 Python，等同于远程代码执行；应使用 AST 白名单或安全数学库。
小结
•
Function Calling：模型产出结构化调用意图，应用在本地执行并回传，是 Agent 的「手」。
•
Tool 工程：描述、Schema、返回值与错误模式与路由同样重要。
•
MCP：标准化工具与上下文连接，利于复用与治理。
•
路由与编排：解决规模与依赖问题；安全贯穿权限、输入、确认、限流与审计。
建议结合自家业务画一张「用户请求 → 路由 → 工具 → 依赖 → 回传模型」的时序图，面试时能用白板讲清楚，比背诵定义更有说服力。