连接大模型与现实世界的桥梁

在日常与基于大语言模型（LLM）的Chatbot产品交互中，我们逐渐发现这些聊天机器人能力越来越强，比如 Deepseek 可以通过联网检索来查询12306车票信息，但是目前还无法直接购买车票，部分能力当前似乎还难以实现。这正是工具调用（Tool Calling） 技术要持续解决的核心问题。通过工具调用，大模型就能像人类使用手机APP一样操作外部系统，极大扩展了其能力边界。

但一个常见的问题是：Tool Calling 到底是大模型本身的能力，还是推理引擎接口的能力？首先回答下这个问题：

— 1 Tool Calling 的本质—

双重依赖关系

要理解 Tool Calling 的能力归属，我们需要明确一个关键观点：这是模型自身能力与推理引擎接口支持相结合的产物，两者缺一不可。

1.1 大模型的基础能力

大模型本身需要经过训练，能够理解用户的请求何时需要调用外部工具，并且能够根据提供的工具描述，严格按照规定的格式（如JSON Schema）输出应该调用哪个工具以及具体的参数是什么。这确实是模型的一种内在能力，不同的模型在此项能力上表现有差异。例如早期DeepSeek-R1便不太能很好的支持tool calling,主要还是源于模型的训练。

而DeepSeek V3.1应该便具备了很好的tool calling能力，大家在选用模型时候需要稍加留意。

模型的作用：

• 识别用户意图中需要外部操作的部分
• 生成结构化工具调用请求（函数名+参数）
• 根据工具执行结果生成最终的自然语言回复

1.2 推理引擎的接口支持

光有"大脑"想还不够，需要外部的推理引擎来提供一套标准化的机制。这套机制包括：

• 接收工具定义：允许开发者以结构化方式向模型声明可用工具
• 引导模型输出：通过特定的提示模板将用户查询和工具定义信息组织成模型的输入
• 解析模型响应：提供后处理模块能够可靠地从模型输出中识别并提取工具调用指令

— 2 Tool Calling 的工作原理与技术架构 —

从意图识别到结果整合

二、Tool Calling 的工作原理与技术架构

2.1 完整工作流程

工具调用工作的核心流程可以概括为以下步骤：

1. 意图识别：模型分析用户查询，判断是否需要调用外部工具
2. 工具选择：从可用工具中选择最合适的工具
3. 参数提取：从用户查询中提取工具所需的参数
4. 工具执行：外部系统实际执行工具调用
5. 结果整合：模型将工具执行结果整合到最终回复中

— 3 实例演示—

OpenAI框架下的 Tool Calling 实现

3.1 OpenAI 原生 API 实现

以下是使用 OpenAI 风格 API 实现股票查询的完整示例：

代码来源：根据官方技术文档整理

from openai import OpenAI
import json
client = OpenAI()
# 1. Define a list of callable tools for the model
tools = [
{
"type": "function",
"name": "get_horoscope",
"description": "Get today's horoscope for an astrological sign.",
"parameters": {
"type": "object",
"properties": {
"sign": {
"type": "string",
"description": "An astrological sign like Taurus or Aquarius",
},
},
"required": ["sign"],
},
},
]
def get_horoscope(sign):
return f"{sign}: Next Tuesday you will befriend a baby otter."
# Create a running input list we will add to over time
input_list = [
{"role": "user", "content": "What is my horoscope? I am an Aquarius."}
]
# 2. Prompt the model with tools defined
response = client.responses.create(
model="gpt-5",
tools=tools,
input=input_list,
)
# Save function call outputs for subsequent requests
input_list += response.output
for item in response.output:
if item.type == "function_call":
if item.name == "get_horoscope":
# 3. Execute the function logic for get_horoscope
horoscope = get_horoscope(json.loads(item.arguments))
# 4. Provide function call results to the model
input_list.append({
"type": "function_call_output",
"call_id": item.call_id,
"output": json.dumps({
"horoscope": horoscope
})
})
print("Final input:")
print(input_list)
response = client.responses.create(
model="gpt-5",
instructions="Respond only with a horoscope generated by a tool.",
tools=tools,
input=input_list,
)
# 5. The model should be able to give a response!
print("Final output:")
print(response.model_dump_json(indent=2))
print("\n" + response.output_text)

3.2 这里有几个非常重要的注意事项：

工具定义规范

工具定义需要遵循 JSON Schema 标准，这是确保模型正确理解工具功能的关键：

# 1. Define a list of callable tools for the model
tools = [
{
"type": "function",
"name": "get_horoscope",
"description": "Get today's horoscope for an astrological sign.",
"parameters": {
"type": "object",
"properties": {
"sign": {
"type": "string",
"description": "An astrological sign like Taurus or Aquarius",
},
},
"required": ["sign"],
},
},
]

函数可以在每个 API 请求的 tools 参数中进行设置。
一个函数由其 schema（模式） 定义，该模式告知模型函数的作用以及它期望的输入参数。
函数定义包含以下属性：

字段	描述
type	始终为 function
name	函数名称（例如：get_weather）
description	说明何时以及如何使用该函数
parameters	定义函数输入参数的 JSON schema
strict	是否在调用函数时强制启用严格模式

下面是一个 get_weather 函数的示例定义。

{
"type": "function",
"name": "get_weather",
"description": "Retrieves current weather for the given location.",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "City and country e.g. Bogotá, Colombia"
},
"units": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"description": "Units the temperature will be returned in."
}
},
"required": ["location", "units"],
"additionalProperties": false
},
"strict": true
}

多轮工具调用处理：复杂的查询可能需要多次工具调用，这就需要维护对话上下文，这篇文章我们先不过多展开。

3.3 需要规避的常见陷阱

1. 函数命名规范：使用清晰明确的动词-名词组合

• ❌ “name”: “func1”

• ✅ “name”: “get_weather”

2. 描述清晰准确：详细说明工具功能和适用场景

• ❌"description": “天气功能”

• ✅ “description”: “获取指定城市的当前天气情况，包括温度和天气状况”

3.参数定义合理：避免冗余参数，明确必需参数

4、总结与展望

Tool Calling 技术是大模型与现实世界连接的关键桥梁。通过本文的分析，我们可以明确：

1. 双重依赖关系：Tool Calling 能力既依赖于大模型本身的推理能力，也依赖于推理引擎的接口支持。
2. 技术成熟度：当前主流框架（OpenAI API、LangChain、Spring AI等）都已提供完善的 Tool Calling 支持，但在具体实现上要甄别差异。
3. 模型差异性：不同模型在 Tool Calling 能力上存在显著差异，需要根据具体需求选择合适的模型。
4. 未来发展方向：Tool Calling 正朝着更加智能化、自动化的方向发展，未来可能会出现更复杂的多工具协作和自主规划能力。
5. 通过合理运用 Tool Calling 技术，我们可以让大语言模型突破其内在限制，真正成为能够与现实世界交互的智能代理（Agent），为构建更加复杂的AI应用奠定坚实基础。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】