夜雨聆风AI Agent 是怎么调用工具的？一文看懂 Tool Calling
很多人第一次听到 AI Agent，会以为它只是“更会聊天的大模型”。
但真正让 Agent 变得有用的，不只是回答能力，而是它可以在合适的时候调用工具、访问系统、执行动作。
这篇文章用 8 张图，把 Tool Calling / Function Calling 讲清楚：Agent 如何调用工具、API、函数，以及它和 MCP、Skills 到底有什么区别。
01 Tool Calling 是什么
AI Agent 不只是“会聊天的模型”。
当它遇到需要外部能力的问题时，会先判断：这个任务能不能靠自己回答？如果不能，就选择合适的工具去执行。
比如查天气、查数据库、发邮件、算价格、搜索资料，这些都不是模型凭空生成的内容，而是通过 Tool Calling 把任务交给外部工具完成。
一句话理解：
Tool Calling，就是让模型从“只会说”变成“会调用工具做事”。
02 为什么 Agent 需要工具
大模型本身很强，但它也有明显边界。
它不能天然知道实时信息，也不能直接访问你的业务数据库，更不能自动去发邮件、下订单、改系统数据。
所以 Agent 需要工具。
工具就像给模型装上了“眼睛、手和接口”：眼睛负责看见外部信息，手负责执行动作，接口负责连接真实系统。
没有工具，Agent 更像顾问；有了工具，Agent 才开始接近真正的执行者。
03 Function Calling 的关键是函数说明书
Function Calling 的重点，不是模型真的在写代码。
真正关键的是：开发者提前告诉模型，系统里有哪些函数、每个函数能做什么、需要传哪些参数、什么时候应该调用。
这份说明通常叫做 function schema。
它像一份“函数说明书”，规定了模型和工具之间的协作方式。
模型不是随便调用工具，而是根据这份说明书生成结构化参数，再交给系统去执行。
04 Agent 如何选择工具
当用户提出一个需求时，Agent 并不会一上来就乱调用工具。
它需要先理解用户意图，再结合上下文和工具描述，判断到底该用哪个工具。
比如用户问“帮我查一下今天北京天气”，它应该选择天气工具；用户说“把这份报告发给客户”，它可能需要调用文档工具和邮件工具。
Tool Calling 的第一步不是调用，而是判断。
选对工具，任务才有机会做对。
05 一次 Tool Calling 的完整闭环
一次完整的工具调用，通常会经历几个步骤：
用户提出需求，模型理解任务，判断是否需要工具；
如果需要，就选择工具并生成参数；
外部系统执行后，把结果返回给模型；
最后模型再把工具结果整理成人能看懂的回答。
所以 Tool Calling 不是“模型自己回答得更像真的”。
它的核心是：
让模型把不确定的部分交给真实系统，再基于真实结果回答。
06 API、函数、工具有什么区别
很多人会把 API、函数、工具混在一起。
简单区分：
函数，是一段具体能力的封装；
API，是外部系统提供的访问接口；
工具，是包装给 Agent 使用的能力入口。
对 Agent 来说，它看到的是“可调用工具”。
至于这个工具背后接的是一个本地函数、一个远程 API，还是一套复杂系统，对 Agent 来说都可以被统一成一次工具调用。
07 Tool Calling 需要权限和校验
Agent 能调用工具以后，安全问题就变得很重要。
因为“会行动”意味着它可能真的发邮件、改数据、删文件、下订单，甚至触发支付。
所以工具调用不能无条件放开。
高风险操作前，需要权限控制、参数校验、结果检查，必要时还要加入人工确认。
越能执行，越需要边界。
一个可靠的 Agent，不是能调用越多工具越好，而是知道什么能做、什么不能做、什么时候必须停下来确认。
08 Tool Calling、MCP、Skills 的区别
Tool Calling、MCP、Skills 经常一起出现，但它们不是一回事。
Tool Calling 是模型调用工具的机制，解决“怎么调用”的问题。
MCP 是工具和资源接入的协议，解决“怎么连接”的问题。
Skills 是一类任务经验和流程的封装，解决“怎么把事情做好”的问题。
可以这样理解：
Tool Calling 像按下按钮；
MCP 像标准插头和插座；
Skills 像一本操作手册。
三者配合起来，Agent 才能既连得上工具，又知道怎么用工具完成任务。
最后
如果把 AI Agent 看成一个能完成任务的系统，那么 Tool Calling 就是它把“想法”变成“动作”的关键一步。
理解了 Tool Calling，再回头看 MCP、Skills、Memory、RAG，就会更容易看清：Agent 不是一个单点能力，而是一套围绕模型组织起来的执行系统。
