Agent 工程 · Tool Use 深潜

工具调用（Tool Use）：从协议到 Agent 自主行为

一篇为「理解」而非「抄代码」写的教程。讲清一次工具调用在协议层到底发生了什么、agent 循环如何把单次调用变成多步自主行为、怎样设计工具，以及 MCP 与「代码调工具」这些前沿在优化哪一段。

工具调用是 LLM 从「会聊天」跨到「能干活」的那道门。但它最反直觉的一点，恰恰藏在名字里：模型其实什么都没「调用」。

定位 · 概念深潜，面向理解与面试基于 · Anthropic Messages API / OpenAI（截至 2026-06）读完 · 约半天代码 · 协议片段已对照官方文档核对，未在本机运行

·这篇适合谁

适合你，如果你

调用过至少一次 LLM 的 chat / messages API（OpenAI、Claude 或同类），见过 request / response 长什么样
能读懂一段 JSON，分得清 object / array / string
写过基本的 Python 或 JavaScript，能跟着改一个函数

先别读这篇，如果你

从没调过任何 LLM API——先用官方 quickstart 跑通一次普通对话再回来
只想复制一段能交差的代码——直接看 Anthropic / OpenAI 的 quickstart 更快
想深入多个 agent 之间的协作编排——去看兄弟篇 multi-agent-patterns

·读完之后你能做到什么

工具调用的本质不是「模型调用你的函数」，而是「模型生成一个请求、然后停下、把控制权交还给你的程序」。抓住这个控制流的反转，你能预判一个 agent 会在哪一步失控、为什么陷入无限循环、token 为什么爆炸，也能看懂 MCP、code execution 这些前沿到底在优化哪一段——这是读完官方文档也未必能讲清的那层。

具体地，读完你应当能够：

手画出一次完整 tool-use 往返的 5 个阶段，并准确指出模型在哪一步停机
对照读懂 Anthropic 与 OpenAI 的 tool-use 请求 / 响应字段，说出两者术语与数据形状的差异
解释 agent loop 的终止条件由谁决定，写出至少 2 种防止无限循环的 guard
评审一个工具定义，指出 description / 参数 / 返回值 / 错误处理四处可改进点
说清 MCP 解决的是什么问题（M×N → M+N），以及「模型写代码调工具」相比「吐 JSON 调工具」省在哪里

一句话本质

在工具调用里，模型自己什么都不执行。它只生成一段结构化文本——「我要调用 X，参数是 Y」——然后停下。
真正执行工具、把结果塞回对话、驱动下一轮的，是模型外面的程序（harness）。模型既看不到你的实现，也不会自己循环。

现状速览 · 截至 2026-06

稳定基石：JSON-Schema 函数调用 + tool_use / tool_result 循环，三大厂商通用，先把它学扎实。
正在变：MCP（2024-11 由 Anthropic 提出 → 2025 年被 OpenAI、Google、微软采纳 → 2025-12 捐给 Linux Foundation）已成跨厂商标准；前沿正从「模型吐 JSON 调工具」转向「模型写代码调工具」（Anthropic 2025-11 的 Code execution / Programmatic Tool Calling / Tool Search Tool，号称省约 85% token）。
已被取代：OpenAI 的 functions / function_call 旧参数 → tools / tool_calls；Assistants API → Responses API。本教程不教旧写法。

读之前 · 关于「读懂了」的错觉

这篇有意在几个地方放慢、让你先猜再看答案。如果你发现自己冒出这三句话，多半是熟悉感冒充了理解，停下来做一遍自测：

「我读得很顺」——顺，往往只说明文字好读，不说明 schema 进了脑子。
「我做题很快」——快，多半是在套已经见过的题型。
「我没卡壳」——没卡壳，多半是还没碰到真正难的那一步。

·概念地图

图 0工具调用的核心是一个循环，不是一次函数调用。注意：朱红色的「② 交还控制」是整张图的命门——模型走到 tool_use 请求 就停机，那条竖线右边（执行、回填）全部是你的程序在做，模型看不见也管不着。

·三条学习路径

只想建立心智模型01 概念 → 02 协议 →（跳读 04 的前沿部分）→ 05 自测。约 2 小时，拿到能讲清楚的核心模型。
准备面试 / 求职01 → 02 → 03 → 04 全读。重点记：术语对照表（02）、终止条件与防循环 guard（03）、设计权衡表与前沿时间线（04）。最后做 05 的辨析题检验。
做选型 / 读懂别人的 agent 代码01 → 03 → 04。关注 loop 怎么驱动、为什么这样设计、生态现在用什么。

·章节目录

01核心概念与本质为什么模型需要工具；「模型只请求、harness 执行」的心智模型；一次完整往返的走查；澄清 function calling 与 tool use 是同一件事。 02协议机制tool 定义 / tool_use / tool_result / stop_reason / tool_choice / 并行 / 流式；Anthropic ↔ OpenAI 术语对照；深一层——模型到底怎么「生成」一个调用。 03Agent 编排循环while(stop_reason==tool_use) 如何把单次调用变成多步自主；ReAct 到原生工具调用的演化；谁决定「做完了」；错误恢复；并行 vs 串行。 04工具设计 + 前沿生态description 为何是最高杠杆；命名 / 参数 / 返回值 / 错误自纠 / 数量；设计权衡表；前沿实讲——MCP、code execution、Tool Search、computer use、Responses API。 05自测与跨章辨析三层梯度题库（答案折叠）；跨章场景辨析（这里该用第几章的方案）；一道亲手画图题。

·学完之后往哪走

多智能体编排——单 agent 的工具循环讲透后，multi-agent-patterns 教多个 agent 如何分工与传递。在你的 schema 上加「编排层」。
LangGraph——把这一篇里隐式的 loop 显式建模成状态图（langgraph）。加「把循环画成图」的工具。
Agent 记忆与上下文管理——工具结果会撑爆 context（03 会讲），如何裁剪 / 外置是下一道坎。加「上下文预算」这一维。
Agent 评测——怎么量化一个 agent 的工具调用准确率与成本。加「可度量」这一维。