Andrew Ng（吴恩达）这周反复引用一个数据：90% 的企业 AI Agent 项目卡在落地，问题不在模型不够聪明，而在「工具调用」——AI 告诉程序「我要做这件事」，但参数乱填、超时、权限错，整条链路就崩。

这是什么

工具调用（Function Calling / Tool Calling）是 AI Agent 的「动手」基础：模型在对话中输出结构化的「函数调用意图」——它不真的执行，只是填好参数、指明要调哪个函数，由程序去跑。

打比方：AI 像个会写工单的部门经理，收到「查 A123 订单物流」，它写好工单（订单号 A123、调「查询物流」函数）交给 IT 执行。结果回来后，AI 再用自然语言告诉用户。

核心三步：用 JSON Schema（一种通用的数据格式说明书）「告诉」模型有哪些工具、参数怎么填；模型输出经「必填校验 + 错误重试 + 权限白名单」三道关卡；最后才真正执行。

行业怎么看

主流共识：这是 Agent 时代的基础设施，工程化质量直接决定调用准确率。一线开发社区有三条铁律——工具描述写清「何时用」，参数描述给示例，合法值用枚举（把可能选项列死）而非放任模型自由发挥。

但也有反对声音。一种观点认为：这层「水管」早晚会标准化、被云厂商屏蔽，企业不必投入研究。另一些传统 IT 负责人则反驳：自家系统接口混乱、字段命名不规范，这正是 80% 集成成本的去处——越老的系统，这层管道工程越没人能替。

值得警惕：模型填的参数「默认不可信」。幻觉参数（AI 凭空编造字段值）是高频故障，被作者列为 Agent 第一号工程风险。

对普通人的影响

对企业 IT：评估 AI 厂商别只刷跑分，问「工具调用在你们系统的失败率多少、怎么兜底」，这才是真护城河。

对个人职场：用 AI 助手遇到答非所问、查错数据，大概率不是 AI 笨，而是背后工具调用链路断了一环，能减少对工具的误判。

对消费市场：明年你会看到 AI 客服、销售产品继续分化——演示惊艳的不少，能稳定跑过大促的凤毛麟角，差距就在这层「水管」。