工具调用

SpringAI写第一个Agent-把工单循环跑起来之前把工具调用讲成工单循环：模型写一张 JSON 工单，你的代码去跑腿，结果回填，模型接着说话。纸上谈兵到此为止。这篇用 Spring AI 把这个循环真正跑起来：一个查天气的工具，一次真实的调用，工单的报文全程可见。写完你手里会有一个能跑的 agent，以及看懂所有 agent 文档的底气。

AI Agent 工程化开发实战（四）：工具调用循环——解构 create_agent 背后的机制主线：Agent Runtime → Harness。第 3 篇我们手写了 StateGraph 的「图 / 节点 / 边 / 状态」，但它只会「说话」——模型节点读入消息、吐出一条回复，就结束了。一个真正的 Agent（智能体）要会「干活」：查数据、算数字、调接口。这一篇，我们给图装上「工具」，做出 Agent 最核心的动作——工具调用循环（tool calling loop），并把它跑通。

前进的李工

Agent 学习笔记 01：从工具调用到 ReAct 循环之前的文章我们说 Agent = LLM + Tools + 记忆 + 规划 + 执行，但是这个概念还能进一步提炼：Agent = LLM + 上下文 + 工具，接下来我们一起了解一下。

爱编程的小新☆

LangChain 智能体实战：构建技术学习规划 Agent在上一篇 LangChain 1.2 的学习中，我们已经掌握了消息、工具调用和结构化输出。通过手动编排工具调用，我们可以让模型生成工具名称与参数，再由 Python 程序执行工具，最后使用 ToolMessage 把结果传回模型。

江湖中的阿龙

AI Agent 调用工具怎么做才稳？参数校验、幂等与审计的 Python 实战AI Agent 能调用工具后，应用就不只是“生成一段文字”了：它可能查询数据库、创建工单、改写文件、触发部署。一次参数误解或重复调用，后果会落到真实系统里。比如用户只说“帮我记录一下登录报错”，模型却给工具传了额外字段；或者工具执行成功，但响应在返回途中超时，Agent 重试后建出两张一模一样的工单。

Agent 权限怎么配？先按动作拆开让 Agent 读取销售数据、生成周报并发送给负责人，至少涉及三种不同权限：访问数据、保存文件和发送消息。配置时应按动作分别授权，再限定表、目录、收件人和有效期。能读数据，不代表能修改原表；能生成报告，也不自动获得发送权限。模型写出了执行计划，每个真实动作仍要经过执行层检查。

OpenAI协议01、OpenAI底层协议快速理解在进入正文之前，先交代一下这些文章的来龙去脉。AgentForge 是一个面向 Java 开发者、从 LLM 最底层能力开始构建的开源 Agent 框架。它不从高度封装的 Agent API 起步，而是先建立稳定、统一、可扩展的模型抽象，再逐层向上锻造 Tool、Memory、Middleware、Reasoning 与 Agent Runtime 等能力。

Spring AI 工具调用：@Tool 让大模型自己查订单查库存作者：鱼宵｜ Spring AI 实战精通营 · 第 4 篇上一课模型会算钱了，但你发现没有——那个价目表是我们手写死在 system 里的假数。真实业务哪有这好事：客户在客服窗口问"我订单 1001 现在什么状态"，模型知道你库里这条单发没发货吗？它的训练数据里根本没有你的私有数据。你让它直接答，它要么礼貌拒绝，要么——更完蛋——张嘴瞎编一个物流单号出来。

制造数据与AI践行者老蒋

排坑笔记：LangChain 多工具 Agent 完整性校验 return_intermediate_steps 事后核对方案🏭【博文导航】四阶段学习路径版（持续更新）关于【智联工坊】那些事📌 文章摘要多工具数据质量巡检 Agent 注册 5 个工具，模型只调用 4 个就输出结论，报告看似完整却缺失维度？靠提示词约束始终是概率性的。本文提供工程化解决方案：通过集合差集校验做事后完整性兜底，漏调工具自动补执行并留痕，配合桩测试锁定效果，把工具调用完整性从模型自觉变成可度量、可审计的工程不变量，适用于所有生产级多工具 Agent 场景。

从第一性原理构建 AI Agent：提示词、工具、技能与记忆全解剖原文：Sarvam AI Blog - 《Building AI Agents: A First-Principles Guide》（https://www.sarvam.ai/blogs/building-ai-agents）

AI Agent 工具调用准确性评测：选择错误与参数错误分开测原文：OpenRouter Blog - 《How to Test Tool-Calling Accuracy in AI Agents》（https://openrouter.ai/blog/tutorials/how-to-test-tool-calling-accuracy-in-ai-agents/）

漂着的圆木

Agent监控：Copilot托管设置启用OTel的配置核对事实边界以GitHub官方资料为准；下文的判断框架、检查方法与失败边界属于作者建议。据 GitHub 官方博客 2026-09-22 的公告，GitHub Copilot 应用支持通过企业托管设置配置 OpenTelemetry。官方指出，企业可以强制在支持的客户端应用遥测配置，实现集中监控。然而，实际落地常卡在策略已下发但终端无回传。若属性缺失，客户端仍按默认静默运行。核对起点必须是终端本地文件，而非后台面板状态。

基于Python-use范式的开源Agent相较于其他, 传统 Agent 框架, 更像是那种, 借助低代码拖拽方式的设施, 也就是「机器人编排器」。

长谷深风111

AI 的 Memory 到底该记什么？你告诉 AI：“以后给我的方案尽量简洁一点。”第二天再聊，它还能保持这种风格，你会觉得它“懂你”。但如果你随口说了一句“我今天在上海出差”，半年后 AI 还把这件事当成你的长期状态，体验就会变得奇怪。

长谷深风111

AI Agent 踩坑：盲目重试会把小故障炸成系统灾难你做了一个 AI Agent，调用搜索、数据库、支付或发消息的 Tool。偶尔却突然报错：429、timeout、服务繁忙。最直觉的处理方式，是“失败了就再试一次”。

小沈同学呀

【Agent开发第五期】Tool Use 工具调用,给 Agent 装上“手“第 04 期 Alex 已经有了记忆和人设,但它还是只能"动嘴"——你问"现在几点",它会老老实实承认"我没有实时信息获取能力";你问"17 乘 23 等于多少",它可能会"心算"出错,给你一个近似值。

小田学Python

Agent 的运行范式：ReAct（Reasoning+Acting）聊天机器人是“你问一句、我答一句”；Agent 是“你说目标、我反复尝试直到完成”。让它能干活的，不是模型变聪明了，而是它学会了“循环”。

智能体面试准备（十八）：Function Calling 全链路——Agent 真正动手的最后一公里前面讲了单 Agent（ReAct）、多 Agent（B15）、安全（B16）、规划（B17）。但所有这些要"落地"，都绕不开一个最基础也最关键的能力：Function Calling（函数调用）——让 LLM 决定"调哪个工具、传什么参数"。这一篇把全链路从定义到生产跑通：工具 schema 设计 → 模型决策 → 参数解析 → 执行 → 结果回填 → 并行调用与错误处理。每节给：原理 → 代码 → 面试速答 + 高频追问。配合 B14（MCP）看，刚好从"单进程工具"走到"跨进程协议"。

ZGI Agent：企业怎样治理工具调用？企业治理会调用工具的智能体（AI Agent），要把每次调用放进可检查的执行链：先限定可见工具和数据范围，再按读取、生成草稿、写入、删除等动作分级；高影响操作进入人工参与机制（Human in the Loop，HITL），下游系统继续校验真实用户权限，运行时保存调用者、参数、结果与失败位置。提示词可以提醒边界，真正的控制仍要落在工具、账号和业务系统。