Tool Calling
Tool Calling（工具调用）是大型语言模型（LLM）与外部工具或API进行交互的一种能力机制。模型在生成响应过程中，能够识别用户意图并输出结构化的工具调用指令，由运行时环境执行相应函数或服务后将结果返回给模型，从而完成信息检索、代码执行、数据操作等超出纯文本生成范畴的任务。该机制是构建AI Agent和复杂自动化工作流的基础能力之一。
核心事实
时间轴 (近 90 天)
很多Agent教程开篇就大量堆砌工具调用（Tool Calling）、ReAct框架等专业术语，却不梳理整体知识框架
传统的工具调用（Tool Calling）依赖结构化的API接口，需要开发者预先定义好每个工具的输入输出格式
FCC保留了流式响应、Tool Calling、Interleaved Thinking、图像理解等能力，作为代理层需完整透传这些协议细节，包括流式SSE中的thinking块和tool_use块
智能体工具调用能力允许语言模型判断是否需要调用工具、生成符合API规范的调用参数并根据执行结果继续推理
三分法排查顺序中意图错误最上游影响最大、条件错误居中、值错误最下游最易修复
LLM工具调用的失败本质上只有三个根本原因——值（Value）、条件（Condition）和意图（Intent）
深度研究功能将单次用户查询分解为多步骤自主研究任务，调用网络搜索和文档分析等工具，由大语言模型推理综合输出结构化报告
LangChain是一个开源框架，核心能力是将大语言模型与外部计算资源和数据源结合
工具调用的实现机制是模型输出结构化的函数调用请求，宿主程序执行对应操作并将结果返回给模型
Tool Calling (Function Calling) allows an LLM to dynamically invoke external APIs, database queries, and code execution tools during the reasoning process
全部知识事实 (11)
工具调用的实现机制是模型输出结构化的函数调用请求，宿主程序执行对应操作并将结果返回给模型
80%待验证Tool Calling存在三大核心痛点：描述繁复、调用不稳定、缺乏统一标准
85%待验证LangChain是一个开源框架，核心能力是将大语言模型与外部计算资源和数据源结合
60%待验证很多Agent教程开篇就大量堆砌工具调用（Tool Calling）、ReAct框架等专业术语，却不梳理整体知识框架
50%待验证传统的工具调用（Tool Calling）依赖结构化的API接口，需要开发者预先定义好每个工具的输入输出格式
50%待验证FCC保留了流式响应、Tool Calling、Interleaved Thinking、图像理解等能力，作为代理层需完整透传这些协议细节，包括流式SSE中的thinking块和tool_use块
50%待验证智能体工具调用能力允许语言模型判断是否需要调用工具、生成符合API规范的调用参数并根据执行结果继续推理
50%待验证三分法排查顺序中意图错误最上游影响最大、条件错误居中、值错误最下游最易修复
50%待验证LLM工具调用的失败本质上只有三个根本原因——值（Value）、条件（Condition）和意图（Intent）
50%待验证深度研究功能将单次用户查询分解为多步骤自主研究任务，调用网络搜索和文档分析等工具，由大语言模型推理综合输出结构化报告
50%待验证Tool Calling (Function Calling) allows an LLM to dynamically invoke external APIs, database queries, and code execution tools during the reasoning process
50%