AI Agent智能体开发实战2

第2章 工具调用——Agent的手脚

学习目标：掌握Function Calling的底层机制，学会设计高质量的工具描述Schema，理解MCP协议的标准化价值，并构建具备错误处理和性能优化的生产级ToolExecutor。

2.1 Function Calling原理：从文本生成到结构化调用

2.1.1 从Completion到Tool Call的范式跃迁

早期的LLM交互基于纯文本补全（Text Completion）。开发者通过精心设计的提示词诱导模型输出特定格式的文本，再用正则表达式或简单解析器提取结构化信息。这种模式的脆弱性在于：模型随时可能"放飞自我"，输出不符合预期的格式。

Function Calling（函数调用）的引入是一次根本性变革。它不是让模型"猜测"该输出什么格式，而是通过**约束解码（Constrained Decoding）**技术，在token生成阶段就强制模型遵循预定义的JSON Schema。

从工程视角看，Function Calling完成了三个关键抽象：

1. 意图识别抽象：模型自动判断是否需要调用工具，无需外部分类器
2. 参数结构化抽象：模型输出严格的JSON参数，而非自由文本
3. 执行流控制抽象：系统通过解