#结构化输出与工具调用基础

这个主题开始把模型输出从“给人读的文本”推进到“给系统处理的数据”。

如果说前几个阶段关注“模型如何回答用户”，这一阶段关注的是“模型如何和软件系统协作”。当模型输出必须被代码继续处理时，自由文本就不够了；当模型需要查询天气、数据库或网页时，它也不能真的自己执行动作，而是需要应用提供工具、执行工具，再把结果交还给模型。

#学习目标

完成这个主题后，你应该能够：

• 让模型按稳定 JSON 或 Schema 输出结果，并理解解析失败时的修复策略。
• 设计适合模型选择和调用的 Tool 名称、描述、参数和返回值。
• 区分 Function Calling、Tool Calling、Structured Output 和 MCP 的边界。
• 实现“模型选择工具，应用执行工具，模型继续回答”的完整闭环。
• 为工具调用增加 timeout、permission、错误返回和可观测日志。

#关键概念

Structured Output 是让模型输出符合某种结构约束的数据，例如 JSON object、数组或嵌套对象。它的目标是让输出可以被程序稳定解析，而不是只适合人阅读。

Schema 是模型和应用之间的契约。字段名、类型、是否必填、枚举值和嵌套结构越清晰，模型越容易生成可执行、可验证的数据。

Function Calling 更像一种接口约定：模型决定要调用哪个函数，并生成参数；应用负责真正执行函数。模型不会直接访问网络、数据库或文件系统。

Tool Calling 是更通用的工具调用模式。工具可以是函数、外部 API、数据库查询、浏览器动作，也可以来自 MCP Server。

MCP 提供一种把工具、资源和 Prompt 暴露给模型客户端的协议化方式。它让工具生态不再只绑定某一个应用内部实现。

#Tool Calling 流程

这张图强调一个核心事实：模型只负责“提出工具调用意图和参数”，真正执行动作的是应用。权限、审计、错误处理和重试都必须放在应用侧。

#核心主题

• Structured Output：JSON 输出、Schema 约束、类型稳定性、可解析结果。
• JSON Mode：输出约束、解析、修复和错误处理。
• Schema 设计：Zod、JSON Schema、required、enum、nested object、array。
• Function Calling：模型选择工具、生成参数，应用执行工具。
• Tool Calling：定义工具、执行工具、追加工具结果、继续生成。
• Tool 工程设计：名称、描述、输入输出 schema、错误 schema、timeout、permission。
• MCP 基础：MCP Client、MCP Server、tools、resources、prompts。

#阶段实践拆解

1. 先做结构化输出：让模型返回固定 JSON，并用 Zod 或 JSON Schema 验证。
2. 再做一个天气 Tool：定义输入参数、模拟或接入天气 API、返回结构化结果。
3. 增加数据库查询 Tool：限制可查询范围，避免模型直接拼接危险 SQL。
4. 增加网页搜索 Tool：处理空结果、超时、来源摘要和错误 schema。
5. 串起 Tool Calling 闭环：模型发起工具调用，应用执行后把 tool result 追加回上下文。
6. 实现最小 MCP Server：暴露一个 tool 和一个 resource，理解协议边界。

#阶段实践

• 实现一个天气查询 Tool。
• 实现一个数据库查询 Tool。
• 实现一个网页搜索 Tool。
• 实现一个最小 MCP Server。

#计划文章

• Function Calling 到底是什么
• 为什么 AI 能调用工具
• MCP 为什么会成为 AI 工具生态的重要协议