Function Calling 实战

FC（Function Calling / Tool Calling）是 Agent 的发动机。面试主线：schema 设计、多工具协作、错误处理、工程化。

基本流程

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "查询城市天气",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名"},
            },
            "required": ["city"],
        },
    },
}]

resp = client.chat.completions.create(model="gpt-4o",
    messages=messages, tools=tools)
# 模型可能返回 tool_calls, 执行后把结果作为 tool 消息回填, 再调一次

核心循环：模型请求工具 → 执行 → 结果回填 → 再调模型，直到模型直接回答（见 LangChain 核心抽象篇）。

Schema 设计要点

要点	说明
描述精准	何时用、参数含义（决定调用准确率）
参数严格	类型、必填、枚举、格式约束
粒度合适	工具太小调用多轮，太大参数复杂
数量控制	几十个时模型选择困难（分组或子代理）
命名清晰	动词 + 对象（search_orders）

多工具协作

一次响应可返回多个 tool_calls（并行调用）
工具结果按 tool_call_id 一一对应回填（见 LangChain 工具篇的 ToolMessage）
依赖场景：工具 B 需要工具 A 的结果，模型会分轮调用
工程注意：执行超时、失败重试、结果截断（大结果要截断或落盘，见 DeepAgents 上下文管理）

错误处理

错误	处理
参数错	把校验错误作为工具结果回填，模型会修正重调
执行失败	返回友好错误信息，模型可换方案
模型乱调工具	描述约束 + 权限校验 + 调用审计
循环卡死	最大轮数限制 + 超时（见 loop-engineering）

关键认知：工具错误信息会回到模型眼里，错误信息要写清楚（模型能据此自救）。

与 MCP 的关系

MCP 服务器暴露的工具，经适配器转成 FC schema（mcp-adapters，见 MCP 篇）
两者是生态层（MCP）与能力层（FC）的关系：MCP 是工具源，FC 是调用机制

面试追问

FC 流程？ 模型返回 tool_calls → 执行 → 结果回填 → 再调模型，直到直接回答
schema 怎么写好？ 描述精准（何时用、参数含义）、参数严格、粒度合适。描述决定准确率
多工具怎么并行？ 一次响应多个 tool_calls，按 tool_call_id 回填。依赖场景分轮
工具报错怎么办？ 错误信息回填给模型，它会修正或换方案。错误信息要写清楚
和 MCP 的关系？ MCP 是工具源（协议），FC 是调用机制（API 能力）。适配器转换