Tool Calling技术是连接大模型与现实世界的关键桥梁，它依赖于模型自身能力与推理引擎接口的双重支持。该技术使大模型能够识别用户意图中需要外部操作的部分，生成结构化工具调用请求，并根据执行结果整合回复。文章详细解析了Tool Calling的工作流程、技术架构及实现要点，包括工具定义规范、函数命名和参数设置等最佳实践。通过合理运用Tool Calling技术，可突破大模型内在限制，构建能够与现实世界交互的智能应用。

---

连接大模型与现实世界的桥梁

在日常与基于大语言模型（LLM）的Chatbot产品交互中，我们逐渐发现这些聊天机器人能力越来越强，比如 Deepseek 可以通过联网检索来查询12306车票信息，但是目前还无法直接购买车票，部分能力当前似乎还难以实现。这正是工具调用（Tool Calling） 技术要持续解决的核心问题。通过工具调用，大模型就能像人类使用手机APP一样操作外部系统，极大扩展了其能力边界。

但一个常见的问题是：Tool Calling 到底是大模型本身的能力，还是推理引擎接口的能力？首先回答下这个问题：

— 1 Tool Calling 的本质—

双重依赖关系

要理解 Tool Calling 的能力归属，我们需要明确一个关键观点：这是模型自身能力与推理引擎接口支持相结合的产物，两者缺一不可。

1.1 大模型的基础能力

大模型本身需要经过训练，能够理解用户的请求何时需要调用外部工具，并且能够根据提供的工具描述，严格按照规定的格式（如JSON Schema）输出应该调用哪个工具以及具体的参数是什么。这确实是模型的一种内在能力，不同的模型在此项能力上表现有差异。例如早期DeepSeek-R1便不太能很好的支持tool calling,主要还是源于模型的训练。

而DeepSeek V3.1应该便具备了很好的tool calling能力，大家在选用模型时候需要稍加留意。

模型的作用：

• 识别用户意图中需要外部操作的部分
• 生成结构化工具调用请求（函数名+参数）
• 根据工具执行结果生成最终的自然语言回复

1.2 推理引擎的接口支持

光有"大脑"想还不够，需要外部的推理引擎来提供一套标准化的机制。这套机制包括：

• 接收工具定义：允许开发者以结构化方式向模型声明可用工具
• 引导模型输出：通过特定的提示模板将用户查询和工具定义信息组织成模型的输入
• 解析模型响应：提供后处理模块能够可靠地从模型输出中识别并提取工具调用指令

— 2 Tool Calling 的工作原理与技术架构 —

从意图识别到结果整合

二、Tool Calling 的工作原理与技术架构

2.1 完整工作流程

工具调用工作的核心流程可以概括为以下步骤：

1. 意图识别：模型分析用户查询，判断是否需要调用外部工具
2. 工具选择：从可用工具中选择最合适的工具
3. 参数提取：从用户查询中提取工具所需的参数
4. 工具执行：外部系统实际执行工具调用
5. 结果整合：模型将工具执行结果整合到最终回复中

— 3 实例演示—

OpenAI框架下的 Tool Calling 实现

3.1 OpenAI 原生 API 实现

以下是使用 OpenAI 风格 API 实现股票查询的完整示例：

代码来源：根据官方技术文档整理

from openai import OpenAI
import json
client = OpenAI()
# 1. Define a list of callable tools for the model
tools = [
{
"type": "function",
"name": "get_horoscope",
"description": "Get today's horoscope for an astrological sign.",
"parameters": {
"type": "object",
"properties": {
"sign": {
"type": "string",
"description": "An astrological sign like Taurus or Aquarius",
},
},
"required": ["sign"],
},
},
]
def get_horoscope(sign):
return f"{sign}: Next Tuesday you will befriend a baby otter."
# Create a running input list we will add to over time
input_list = [
{"role": "user", "content": "What is my horoscope? I am an Aquarius."}
]
# 2. Prompt the model with tools defined
response = client.responses.create(
model="gpt-5",
tools=tools,
input=input_list,
)
# Save function call outputs for subsequent requests
input_list += response.output
for item in response.output:
if item.type == "function_call":
if item.name == "get_horoscope":
# 3. Execute the function logic for get_horoscope
horoscope = get_horoscope(json.loads(item.arguments))
# 4. Provide function call results to the model
input_list.append({
"type": "function_call_output",
"call_id": item.call_id,
"output": json.dumps({
"horoscope": horoscope
})
})
print("Final input:")
print(input_list)
response = client.responses.create(
model="gpt-5",
instructions="Respond only with a horoscope generated by a tool.",
tools=tools,
input=input_list,
)
# 5. The model should be able to give a response!
print("Final output:")
print(response.model_dump_json(indent=2))
print("\n" + response.output_text)

3.2 这里有几个非常重要的注意事项：

工具定义规范

工具定义需要遵循 JSON Schema 标准，这是确保模型正确理解工具功能的关键：

# 1. Define a list of callable tools for the model
tools = [
{
"type": "function",
"name": "get_horoscope",
"description": "Get today's horoscope for an astrological sign.",
"parameters": {
"type": "object",
"properties": {
"sign": {
"type": "string",
"description": "An astrological sign like Taurus or Aquarius",
},
},
"required": ["sign"],
},
},
]

函数可以在每个 API 请求的 tools 参数中进行设置。
一个函数由其 schema（模式） 定义，该模式告知模型函数的作用以及它期望的输入参数。
函数定义包含以下属性：

字段	描述
type	始终为 function
name	函数名称（例如：get_weather）
description	说明何时以及如何使用该函数
parameters	定义函数输入参数的 JSON schema
strict	是否在调用函数时强制启用严格模式

下面是一个 get_weather 函数的示例定义。

{
"type": "function",
"name": "get_weather",
"description": "Retrieves current weather for the given location.",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "City and country e.g. Bogotá, Colombia"
},
"units": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"description": "Units the temperature will be returned in."
}
},
"required": ["location", "units"],
"additionalProperties": false
},
"strict": true
}

多轮工具调用处理：复杂的查询可能需要多次工具调用，这就需要维护对话上下文，这篇文章我们先不过多展开。

3.3 需要规避的常见陷阱

1. 函数命名规范：使用清晰明确的动词-名词组合

• ❌ “name”: “func1”

• ✅ “name”: “get_weather”

2. 描述清晰准确：详细说明工具功能和适用场景

• ❌"description": “天气功能”

• ✅ “description”: “获取指定城市的当前天气情况，包括温度和天气状况”

3.参数定义合理：避免冗余参数，明确必需参数

4、总结与展望

Tool Calling 技术是大模型与现实世界连接的关键桥梁。通过本文的分析，我们可以明确：

1. 双重依赖关系：Tool Calling 能力既依赖于大模型本身的推理能力，也依赖于推理引擎的接口支持。
2. 技术成熟度：当前主流框架（OpenAI API、LangChain、Spring AI等）都已提供完善的 Tool Calling 支持，但在具体实现上要甄别差异。
3. 模型差异性：不同模型在 Tool Calling 能力上存在显著差异，需要根据具体需求选择合适的模型。
4. 未来发展方向：Tool Calling 正朝着更加智能化、自动化的方向发展，未来可能会出现更复杂的多工具协作和自主规划能力。
5. 通过合理运用 Tool Calling 技术，我们可以让大语言模型突破其内在限制，真正成为能够与现实世界交互的智能代理（Agent），为构建更加复杂的AI应用奠定坚实基础。

本文代码示例仅供参考，实际使用时请根据具体框架版本进行调整和优化。

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2025最新大模型全套学习资源》，包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】