🔗 推广：aiwebcool.com - 最硬核的 AI 工具指南网站，挑工具前先来这查一眼

AI agent 工具调用实战 SOP：让大模型学会调工具

发布于 2026年8月9日 · 9 分钟阅读

大模型能写诗、能推理、能翻译，但你问它「SKU-8821 现在还有多少库存」，它只能编一个数字。训练数据里没有你的实时业务数据，模型的「知识」停留在训练截止那天。要让 agent 真正干活--查数据库、调 API、读文件、下订单--靠的不是更大的上下文窗口，而是一套让模型「会调工具」的机制：function calling（OpenAI 叫法）或 tool use（Anthropic 叫法）。这篇 SOP 给你一个可复制的实现模板，代码基于官方文档核实（截至 2026-08-09），四步循环跑通。

一句话定位：模型不执行代码，它只产出「调哪个工具、传什么参数」的意图。真正执行的是你的应用代码。这个分工是工具调用安全的基石--模型不会偷偷 rm 你的数据库，除非你写了这样的工具还告诉它可以用。

一、四步循环：模型决策 -> 执行 -> 回填

工具调用的本质，是让大模型学会「我不懂，但我找懂的人来办」。整套机制拆成四步，先看流程表把全局装进脑子：

关键认知：模型只产出结构化的「调用意图」，不真正执行。你的应用代码才是执行者。`tool_call_id`（OpenAI）或 `tool_use_id`（Anthropic）是调用与结果的关联键，千万别丢。

二、OpenAI function calling 代码模板

OpenAI 当前有两条 API 路径：Chat Completions（经典，仍在用）和 Responses（新一代，带会话状态）。下面以 Chat Completions 为主示例。注意：早期 2023 年的 `functions`/`function_call`（单数）参数已废弃，当前统一用 `tools`/`tool_choice`（复数），别再抄老教程。

// 1. 定义工具 schema（Chat Completions 包一层 function） const tools = [{   type: "function",   function: {     name: "check_inventory",     description: "查询某 SKU 的当前库存数量与仓库。",     parameters: {       type: "object",       properties: {         sku: { type: "string", description: "商品 SKU 编码" },         warehouse: { type: "string", enum: ["beijing","shanghai","guangzhou"] }       },       required: ["sku"]     }   } }];  // 2. 模型决策：带上 tools 发请求 const resp = await openai.chat.completions.create({   model: "gpt-5.6",   messages,   tools,   tool_choice: "auto"  // auto|none|required|指定函数 });  // 3. 执行：模型决定调用 check_inventory const msg = resp.choices[0].message; if (msg.tool_calls?.length) {   messages.push(msg);   for (const call of msg.tool_calls) {     const args = JSON.parse(call.function.arguments);     const result = await checkInventory(args.sku, args.warehouse);     // 4. 回填结果，用 tool_call_id 关联     messages.push({       role: "tool",       tool_call_id: call.id,       content: JSON.stringify(result)     });   }   // 5. 模型拿到结果生成最终回答   const final = await openai.chat.completions.create({ model:"gpt-5.6", messages, tools });   console.log(final.choices[0].message.content); }

Anthropic 的 tool use 思路一致，四处 API 差异：schema 字段叫 `input_schema`（不是 `parameters`）；工具直接平铺不外包 `function`；结果回填的 role 是 `"user"`、content 是 `tool_result` block（OpenAI 用 `role:"tool"`）；`tool_use.input` 已是 dict 不用 JSON.parse。

三、五个踩坑与修法

坑1schema 太松致参数幻觉：description 模糊、参数全 string、没 enum，模型就编参数（如编出 `warehouse:"wuhan"` 而你没这仓）。修法：每个参数写清 description，枚举值用 enum，开 `strict:true`。

坑2模型编造参数值：把用户随口说的「那个商品」填成 `sku:"that-product"`。修法：system prompt 写「缺 SKU 先问用户，不要猜测」；或加 `search_product` 模糊搜索工具让模型先搜后查。

坑3不处理调用失败，agent 卡死：模型调工具你的代码抛异常没回填，下一轮缺 `tool_result` 直接报错。这是最常见的线上事故。修法：所有工具执行包 try/except，失败也回填 `is_error:true` 的结果让模型自己决定。

坑4无超时和循环上限：模型反复调慢工具或陷入失败-重试死循环。修法：每个工具加超时（10-30s），整个 agent 循环加最大轮次（5-10 轮），超限强制返回兜底回答。

坑5工具太宽安全失控：给个 `execute_sql(query)` 模型可能拼 `DROP TABLE`。用 `check_inventory(sku,warehouse)` 而非 `run_any_sql(sql)`，写操作务必加权限校验和二次确认。

和 MCP 什么关系？互补。MCP 是「标准化工具层」--定义工具怎么被发现、被传输；function calling / tool use 是「模型侧决策机制」--定义模型怎么决定调哪个。一个 agent 通常两者都用。详见本站《MCP Server 开发实战 SOP》与《MCP 客户端横评》。

参考来源

 OpenAI Function Calling 官方指南（tools 参数、tool_choice、tool_calls、strict 模式）：platform.openai.com Anthropic Tool Use 官方文档（input_schema、tool_use block、tool_result 回填）：docs.anthropic.com Model Context Protocol 官网（标准化工具层，与本文模型侧机制互补）：modelcontextprotocol.io 

往期推荐 ①《GPT-5.6 Luna 热点》 ②《开源 ego-lite（星9.3k）》 ③《MCP 客户端横评》AI 声明：本文由 AI 辅助生成，经人工审核编辑。代码示例基于官方文档核实，API 以官方为准。互动：你写 agent 工具调用踩过什么坑？schema 怎么设计才不让模型幻觉？评论区聊聊你的实战经验。