第25章：工具调用、结构化推理与 Agent 接入

1. 项目背景

某企业服务平台的AI助手需要从简单的"问答机"进化为"行动者"——用户说"帮我查一下北京的天气，并在我的日历中明天下午3点创建一个提醒"，AI需要先调用天气API查询，再调用日历API创建事件，最后综合结果回复用户。这不是一次对话，而是一个多步骤的工具调用链条。

技术团队首先尝试用Prompt Engineering实现——在system prompt中描述可用的工具和调用格式，让模型输出"应该调用哪个工具"的JSON。结果在测试集上工具选择准确率只有72%，且有15%的请求输出了不符合JSON Schema的工具参数，导致下游工具调用失败。

更严重的是安全边界问题：有一次模型被用户诱导，输出了一个"调用delete_database"的工具指令——虽然权限系统拦截了这次调用，但暴露了"LLM决策→代码执行"链路中的安全风险。

痛点：Agent系统的核心在于"模型决策工具的调用"。vLLM对Tool Calling提供了原生支持——通过OpenAI兼容的tools参数和tool_choice机制，模型可以在生成过程中准确地选择工具、填充参数。但理解Tool Calling的请求协议、推理过程（Reasoning）、工具执行的安全边界，是搭建可靠的Agent系统的前提。

本章将实现一个"查天气 + 查日程"的双工具调用Demo，验证工具选择、参数解析、失败重试和安全性控制。

2. 项目设计

（场景：Demo演示日。小胖展示了一个"语音助手"——用户说"查天气"，屏