面经策

（OpenClaw 前置知识）请解释 Tool Calling（工具调用）的完整链路：工具是怎么定义的、LLM 怎么调用它、结果怎么回传 ​

  • 标签：AI、OpenClaw、大模型应用开发、AI应用开发、Agent开发

🏛 业务架构师 ​

Tool Calling 的完整链路分四段，我把关键点串起来：

1. 工具定义（供给侧）：把能力封装成标准描述——名称、功能说明（写给模型看的"使用说明书"）、参数 JSON Schema（类型、必填、枚举、含义）、返回值说明。MCP 协议下这些通过 tools/list 自动暴露给客户端。描述质量是第一生死线：描述含糊，模型就会选错工具、传错参数。

2. 模型决策（推理侧）：用户请求+工具清单一起进入模型上下文，模型判断是否需要工具、选哪个、参数是什么，输出结构化调用意图（如 {"name": "query_order", "arguments": {"order_id": "A1024"}}）——注意模型只是"说"要调什么，自己不能执行。

3. 运行时执行（工程侧）：Agent 框架/应用代码接住意图，做安全检查（鉴权、参数校验、限流）后真正调用后端 API/数据库，拿到结果。这一段是企业加治理的地方——审计日志、幂等、超时重试都在这层。

4. 结果回传（闭环）：工具结果作为"工具消息"回填对话上下文，模型基于真实数据生成最终回答，或决定继续调用下一个工具（形成 ReAct 循环）。

业务提醒：链路里最脆弱的是 1 和 4——工具描述要持续按 badcase 优化；工具返回的超大结果要截断/摘要后再回传，否则撑爆上下文窗口。工具调用成功率应该作为核心指标埋点监控。

🏗 系统架构师 ​

Tool Calling 完整链路我按定义 → 调用 → 回传三段讲，并标出每段的生产考点：

工具定义（写给人看，更是写给模型看）：

  • 三要素：name（语义化唯一名）、description（何时用、怎么用、返回什么——这段文字决定模型选择准确率，要当产品文档写）、inputSchema（JSON Schema 约束参数类型/枚举/必填）；
  • 定义随请求注入模型上下文（函数声明），工具数量控制在几十个内，超了要分组按需注入。

调用决策（模型只产意图，不碰执行）：

  • 模型结合任务输出结构化意图：{"name": "query_order", "arguments": {"order_id": "A123"}}——可以是并行多工具调用；
  • 框架层做三道校验：Schema 合法性、权限（该用户可用此工具吗）、安全（高危/非幂等操作挂审批）。

结果回传（决定下一轮推理质量）：

  • 执行层（HTTP/MCP/本地函数）返回结果，封装为 tool role 消息回填上下文；
  • 大小控制是生产关键：超大结果（几十 KB）先摘要/截断/落盘回填引用，否则窗口被一个工具结果打爆；
  • 错误返回结构化信息（错误码 + 建议动作），模型才能改道而不是傻重试；
  • 结果回填后模型继续推理：再调用、换工具、或产出最终答案（循环直到无工具调用）。

架构本质：这是一个把"自然语言意图"翻译成"确定性 API 调用"的适配器协议——模型负责语义，工程负责可靠性。

💻 全栈开发专家 ​

Tool Calling 完整链路三段：定义→调用→回传，我用真实实现讲：

1. 工具定义（开发时）：核心是「名称 + 描述 + 参数 JSON Schema」，描述写给模型看：

java
@Tool(name = "query_train", description = "查询两城市间的火车票，用户提到坐火车/高铁时使用")
public TrainTicket queryTrain(
    @ToolParam(description = "出发城市，如'北京'") String from,
    @ToolParam(description = "日期，格式 yyyy-MM-dd") String date) { ... }

框架把这个方法转成 JSON Schema 随请求发给模型（OpenAI 的 tools 字段、Anthropic 的 tool_use）。

2. 模型发起调用（运行时）：模型读到用户问题，输出一个结构化 tool call（不是执行！）：{"name":"query_train","arguments":{"from":"北京","date":"2026-10-25"}}。模型只产生意图和参数。

3. 结果回传：运行时校验参数 → 执行函数 → 把返回值序列化成 tool result 消息追加到对话 → 再调模型，模型基于结果生成自然语言回答（或发起下一个调用）：

json
{"role": "tool", "tool_call_id": "call_1", "content": "{\"trains\":[...]}"}

踩坑经验：一是参数幻觉（编造不存在的枚举值），必须 JSON Schema 校验 + 错误信息回喂让模型重试；二是结果要做裁剪（裁掉大 JSON 无关字段），超大结果会污染上下文；三是写操作加幂等键——模型层重试、网络层重试叠加时防重复副作用。