AI Agent Function Calling 深度工程实战：从 Schema 校验到自愈式容错引擎

当 Large Language Model 不再"只会聊天"，而是像操作系统一样调度外部工具时，Function Calling 就成了 Agent 架构的"系统调用层"。然而，从 Demo 到生产级的 Function Calling 引擎，中间隔着 Schema 校验、参数解析、重试策略、错误恢复、并发调度、结果缓存等一系列工程难题。本文将拆解这些核心机制，并展示如何构建一个自愈式容错的 Agent 工具执行引擎。

一、Function Calling 的本质与误区

1.1 不是"模型调函数"

许多初学者的理解是：模型说了"调 API"，然后后端就去执行。实际上，Function Calling 的运作方式是：

1. 工具描述注入：将函数签名（JSON Schema）注入 system prompt / tools 字段
2. 结构化输出：模型输出 tool_calls 对象而非自由文本
3. 后端路由执行：外部框架解析 JSON 并路由到实际函数
4. 结果回注：将结果作为 tool 角色消息追加到对话，触发第二轮推理

关键点：模型不执行任何代码。它只产生结构化的"意图声明"。这意味着所有执行安全、参数校验、副作用隔离，全部落在工程侧。

1.2 常见误区清单

二、Schema 校验：防御性第一道防线

2.1 JSON Schema 的局限与增强

OpenAI / Anthropic 等平台使用 JSON Schema 描述工具参数，但标准 Schema 在生产中有明显不足：

# 标准 JSON Schema - 缺失的关键约束
{