大模型 · 共 13 个专题

工具调用与 ReAct

Function Calling 的完整链路、ReAct 范式与工程可靠性。

3 道题 约 5 分钟 大模型 · 智能体

本质

模型不执行工具,它只输出结构化的调用意图;执行、鉴权、重试都在你的应用侧完成。

Q1

Function Calling 的完整调用链路是怎样的?

高频

一句话回答: 声明工具 Schema → 模型输出 tool_calls → 应用校验并执行 → 结果以 tool 消息回填 → 模型基于结果继续生成或再次调用。

展开:

  1. 声明:用 JSON Schema 描述工具名、参数类型、必填项、枚举和描述。描述写得好不好直接决定调用准确率。
  2. 决策:模型返回 tool_calls(可能并行多个),此时正文通常为空。
  3. 执行:应用侧做参数校验(类型、范围、权限)、超时控制、幂等处理。
  4. 回填:把结果作为 role: tool 的消息追加,注意截断过长结果,避免撑爆上下文。
  5. 循环:模型继续推理,直到不再调用工具或触发最大步数。

追问: 模型传了不存在的参数怎么办?—— 不能直接信任,要用 schema 校验后再执行,校验失败把错误信息回填给模型让它重试。

#Function Calling
Q2

ReAct 是什么?和现在的 Function Calling 有什么关系?

进阶

一句话回答: ReAct 是「Thought → Action → Observation」的交替范式,把推理和行动织在一起。早期靠提示词解析文本,现在用 Function Calling 的结构化输出实现同样循环,更稳。

展开:

  • 为什么有效:先想清楚再行动,避免一次性给出错误计划;观测结果能纠正下一步推理。
  • 实现差异:文本解析版容易因为模型多说一句就解析失败;工具调用版由 API 保证结构,工程上可靠得多。
  • 变体:Plan-and-Execute(先出完整计划再执行,省 token 但纠错差)、Reflexion(失败后写反思再重试)、Tree-of-Thought(多分支搜索)。
  • 成本:每轮都是一次完整推理,步数越多延迟和费用线性上升,必须设最大步数和超时。
#ReAct#Agent
Q3

怎么让 Agent 在生产环境可靠?

专家

一句话回答: 把不确定性关进笼子:状态机约束流程、工具层做幂等与鉴权、每步可观测、关键动作人工确认、失败可重放。

展开:

  • 流程约束:不要让模型自由跳步,用状态机/工作流引擎定义合法转移,模型只负责在节点内决策。
  • 幂等与回滚:写操作带幂等键;不可逆动作(转账、删数据)必须 human-in-the-loop 或二次确认。
  • 超时与重试:每个工具设超时;重试要区分可重试错误(网络)与不可重试错误(参数非法)。
  • 可观测:记录每步的输入输出、token 消耗、耗时,出问题能回放整条轨迹。
  • 降级:工具挂了给模型一个「当前不可用」的观测,让它走备用路径;整体失败则返回兜底话术。
  • 评估:用轨迹级指标(任务成功率、平均步数、无效调用率)而非单轮回答质量。
#可靠性#工程