工具调用
核心事实
时间轴 (近 90 天)
常见的工具调用设计模式包括语义化工具命名、参数模式约束、工具组合以及基于向量检索的工具选择。
工具描述过细会增加路由复杂度，过粗则缺乏可控性。
在Agent工作流中，视频理解模型作为工具调用的一环，其输出中的限定词（如‘在我采样的帧中’）可能在传递过程中被丢弃，导致下游将‘未检出’当作‘不存在’的硬事实。
编程智能体使用的工具本质上由名称、描述和输入格式定义；模型通过输出结构化文本请求编辑文件，包裹程序检查旧行是否存在并应用更改，不匹配时返回错误供模型修正。
智能体调用工具后需要检查结果并决定继续或停止，因此需要设计明确的停止条件。
直接写代码（如Bash脚本或Python函数）来调用工具往往比生成JSON更有效，但各有取舍。
Claude的网络搜索通过工具调用（tool use）实现，模型判断是否需要联网并生成搜索查询，由外部搜索API返回结果片段，模型基于片段生成回答。
插件机制相比将所有知识塞进提示词，更易版本化和按需启用，并允许平台方独立于代理产品更新自身技能内容。
常见的工具调用方案有三种：全量注入、规则路由、以及基于嵌入的检索。
嵌入模型将工具的名称、功能描述、参数说明等拼接后映射为固定维度的向量，任务到来时计算任务向量与各工具向量的余弦相似度即可排序召回。
还有 40 条时间轴事件
全部知识事实 (20)
Function Calling（Tool Use）是大模型调用外部工具的标准化机制，开发者预先声明工具名称、描述和参数Schema，模型自主判断何时调用
90%已验证Tool Use（工具调用）的底层机制是开发者预先定义工具的名称、描述和参数结构（Schema），模型在推理时判断何时调用哪个工具并输出结构化调用指令
90%已验证工具调用（Function Calling）机制允许模型在推理过程中调用外部工具，如文件读写、终端命令、搜索 API
90%已验证AI Agent通过工具调用（Tool Use）机制与外部系统交互，包括执行代码、调用API、读写数据库等
90%已验证Function Calling的核心机制是开发者以JSON Schema格式描述外部函数签名，模型输出符合schema规范的结构化JSON调用指令
80%已验证Harness Engineering概念源自软件测试领域的Test Harness（测试框架），指围绕被测系统搭建的一套自动化测试基础设施
80%已验证Function Calling机制中，开发者将工具的名称、功能描述、参数Schema（通常为JSON Schema格式）注入到模型的请求中，模型输出结构化的JSON而非自然语言来调用工具
80%已验证AI Agent与传统聊天AI的根本区别在于具备感知-决策-行动的闭环能力，采用ReAct（Reasoning + Acting）框架
80%已验证Agent通过工具调用（Tool Calling）机制，允许模型以结构化JSON格式输出调用意图，由外部程序执行真实操作后将结果反馈给模型
80%已验证在ReAct框架中，当工具数量超过20个时，Token消耗和模型的工具选择准确率都会显著下降，这被称为'工具过载'问题
80%已验证Agent Skills是Anthropic发布的能力封装标准，定义为一个包含Skill.md文件的目录，可包含说明、脚本和其他资源
80%已验证工具调用（function calling）是指大语言模型在生成回复过程中可以主动请求调用外部函数或API
80%已验证智能体编程工具与传统代码补全工具的核心区别在于自主性与任务范围，agentic 工具能接受高层指令并自主规划步骤、调用工具并迭代执行
75%已验证托管式 Agent API 意味着平台负责智能体的运行时管理，包括会话状态维护、工具调用编排、错误重试、监控与日志等基础设施工作
75%已验证工具调用层的评估维度包括Agent是否选择正确工具、是否传入格式正确且语义合理的参数、以及能否正确解析工具返回结果
75%已验证Agent（智能体）能够调用电脑上的工具、独立完成一整套复杂任务，与只能一来一回对话的聊天机器人不同
75%已验证推理流指的是模型在给出最终回答前的思考过程输出，在流式传输时以增量（delta）形式逐步返回，通常与工具调用交织在一起
75%已验证智能体编程的核心挑战在于模型需要规划多步骤行动、处理执行中的错误反馈、在不同文件和工具之间协调操作
75%已验证工具调用的基本原理是模型识别需要外部能力的场景，输出结构化的函数调用请求（通常为JSON格式），由外部系统执行后返回结果给模型继续推理
75%已验证工具调用能力的关键突破在于模型能生成结构化函数调用请求并正确解析工具返回结果后继续推理，而非简单将工具输出拼接进提示词
75%