AI Agent 面试题第三弹：Tool Call、HITL、安全策略

content

01、Function Calling 的原理是什么

老王开门见山：“很多人觉得大模型能‘调用工具’很神奇，你给我讲讲 Function Calling 到底是怎么回事。”

Function Calling 是一个协议约定。

客户端在请求里声明有哪些工具可以用，包括工具名、功能描述、参数的 JSON Schema。LLM 在生成响应的时候，如果判断当前任务需要工具辅助，它会在响应里输出一段 JSON，告诉客户端“我想调用这个工具，参数是这些”。然后客户端拿到这段 JSON，自己去执行对应的逻辑，把执行结果包装成 tool message 塞回对话历史，再请求一次 LLM，LLM 看到结果继续推理。

所以本质上 LLM 是一个“决策者”，它决定用什么工具、传什么参数，但真正的“执行权”在客户端。

PaiCLI 的 ToolRegistry 维护了工具名到执行函数的映射表，LLM 说“我要调 read_file”，Agent 就从注册表里找到 read_file 的处理逻辑去执行。

老王追问：“那 LLM 怎么知道该调用哪个工具？它是怎么学会的？”

我说：“靠训练。模型在 fine-tuning 阶段见过海量的‘工具定义 + 正确调用’配对样本，学会了根据工具描述和用户意图生成合理的 tool_calls。所以工具描述写得好不好，直接影响调用准确率。”

为什么这样回答：面试官考这道题，核心是想看你有没有理解 Function Calling 的本质——LLM 不执行，只决策。很多候选人会答成“LLM 调用了工具”，这在语义上就不对。强调“写一段 JSON”和“执行权在客户端”这两个点，能让面试官确认你真的理解了机制，而不是只会用 API。

02、工具的 JSON Schema 怎么设计才能让 LLM 调用准确

老王继续问：“工具光有名字还不够，参数的 Schema 该怎么写？”

我说：“有四个原则。”

第一，描述要具体。“读取指定路径的文件内容，返回文件的完整文本”比“读文件”好太多，LLM 是靠描述来理解工具用途的。

第二，参...