Agent 系统可调用哪些工具?
大语言模型 Agent 扩展能力,API 与工具类型详解
原题：在大语言模型Agent系统中，通常可以调用哪些类型的工具和API来扩展模型能力？
Agent · 百度真题
30 秒回答
- 分类清晰：能系统性地列举工具类型（搜索、计算、代码、数据库、业务API等）
- 理解工具调用的本质：将自然语言意图转化为结构化调用
- 提及主流协议标准：OpenAI Function Calling、MCP等
- 说明工具选择机制：LLM如何决定何时调用哪个工具
回答与解析
答案要点
- 分类清晰：能系统性地列举工具类型（搜索、计算、代码、数据库、业务API等）
- 理解工具调用的本质：将自然语言意图转化为结构化调用
- 提及主流协议标准：OpenAI Function Calling、MCP等
- 说明工具选择机制：LLM如何决定何时调用哪个工具
- 举例具体场景：不同工具组合解决复杂任务
Agent系统的核心是通过Function Calling将LLM的自然语言能力与外部工具打通。常见工具类型包括：
信息获取类
- 搜索引擎（Google/Bing/百度）：获取实时知识，弥补模型训练数据截止问题
- 知识库/RAG检索：查询企业内部文档、产品手册
- 数据库查询：SQL执行、业务数据检索
计算与执行类
- 代码解释器：Python执行复杂计算、数据分析、绘图
- 计算器/Math API：精确数学运算，避免LLM数值幻觉
- 沙箱环境：安全执行用户提交的代码
业务操作类
- 企业API：订单查询、库存管理、用户系统操作
- 第三方服务：天气、地图、翻译、支付接口
- 消息通知：邮件、短信、企业微信推送
多模态与专业工具
- 图像生成/理解：DALL-E、视觉模型
- 专业软件：CAD、仿真工具、生物信息数据库
关键设计要点
- Schema标准化：用JSON Schema描述工具名、参数、返回值，主流遵循OpenAI Function Calling格式或Anthropic的MCP协议
- 动态工具选择：通过ReAct或Plan-and-Execute模式，让模型自主决定"是否调用、调用哪个、参数是什么"
- 错误处理链：工具失败时反馈给模型，支持自我修正和重试
实际落地中，工具数量多时需做工具检索（先embedding匹配候选工具），避免全量塞进prompt导致上下文爆炸。
口语版讲法(约4分钟)
- 这道题本质是考LLM怎么和外部世界打通
- 工具分类：信息获取、计算执行、业务操作
- 核心机制是Function Calling和动态选择
- 落地时工具多了要检索，还要处理错误
这道题问的是Agent系统能调哪些工具，但我觉得面试官真正想听的不是列清单，而是你怎么理解LLM和外部世界的边界。说白了，模型本身是个封闭的推理引擎，它不知道实时股价，不会算复杂的数学，更动不了你的数据库。所以工具的本质是给模型装上一双眼睛和两只手，让它能看、能算、能操作。
工具类型我能分三大类。先说信息获取类的，比如搜索引擎、知识库检索、数据库查询。这类工具解决的是模型知识截止和幻觉的问题。举个例子，客服场景里用户问‘我上周的退款到账了吗’，模型不可能知道，它得调一个订单查询API，把用户ID传进去，拿到结果再回答。这里有个边界：搜索引擎适合开放域，知识库适合企业内部，两者可以互补，但别混用，否则搜索返回的网页噪音会污染业务回答。
再说计算和执行类，比如代码解释器、计算器。LLM做算术经常翻车，5位数乘法都可能算错，所以精确计算必须交给外部工具。代码解释器还能做数据分析和画图，这在数据分析Agent里很常见。但这里有个风险：执行用户提交的代码要放在沙箱里，否则等于开了后门。
最后是业务操作类，像订单系统、库存API、消息推送。这类工具让Agent从回答问题变成执行动作。比如电商场景，用户说‘帮我改收货地址’，Agent先调查询API验证订单状态，再调用修改API，最后发确认短信。中间每一步都可能失败，比如订单已发货就不能改，所以工具调用必须处理错误，让模型根据错误信息决定重试还是放弃。
这些工具怎么被模型调用？核心是Function Calling机制。我们把每个工具定义成JSON Schema，包括名字、参数、返回值。模型收到用户问题后，先判断需不需要调工具，如果需要，就输出一个结构化的调用请求，系统去执行，把结果塞回给模型，模型再组织回答。选择哪个工具是模型自己决定的，一般用ReAct模式，让模型边推理边行动。
落地时有个坑：工具数量一多，全塞进上下文会爆掉。所以我会做工具检索，先把所有工具的embedding建好，用户问题来了先检索出最相关的几个工具，再让模型选。这样既省token又减少干扰。
另外我还要提一个点：工具调用失败时，模型怎么自我修正？比如API超时，模型是直接放弃还是换个工具重试？我倾向让模型试两次，如果还失败就告诉用户‘暂时不可用’。这其实引出一个更深的问题，就是Agent的鲁棒性和安全边界怎么设计，比如怎么防止模型被恶意工具调用带偏。
所以总的来说，我会把工具调用看成LLM能力的外延，关键不是堆工具，而是设计好调用协议和错误处理，让模型在可控的范围内帮用户干活。
关键一句:工具调用失败时模型如何自我修正，涉及重试策略和安全边界
面试官还可能这样问
- 问法 1 · 场景切入
假设我们做一个智能客服Agent，用户问“帮我查一下昨天订单”，然后又说“把它取消”——Agent需要怎么知道调用查询API还是取消API？你一般会设计哪些类型的工具来支持这类操作？
- 问法 2 · 层层追问
Agent要调用外部工具，你觉得通常有哪些类型？……那除了信息检索类的，还有没有执行类的？……比如计算、代码执行也算吧？……那如果需求是操作业务系统呢，比如下订单、发通知，这些怎么接入？
- 问法 3 · 直球架构
请列举大模型Agent系统中可以调用的工具和API类型，并说明每种类型的典型用途。重点说说你怎么设计工具注册和选择机制，让LLM知道在什么场景下调用哪个工具。