AI Know · 技术研究笔记
工具协议统一输入输出与错误语义，减少适配成本。
权限按最小必要与场景授权，调用前校验、调用后留痕；评测覆盖成功率与副作用，不能只看回答像不像；运行时日志记录意图、参数、结果与耗时，支撑追责。
三分钟读懂
先看结论，再决定是否深读
- 工具协议统一输入输出与错误语义，减少适配成本。
- 权限按最小必要与场景授权，调用前校验、调用后留痕。
- 评测覆盖成功率与副作用，不能只看回答像不像。
- 运行时日志记录意图、参数、结果与耗时，支撑追责。
核心原理
智能体工具链工程化，不是多接几个接口，而是把“模型决策—工具执行—结果回写”变成可治理系统。工具调用协议决定模型如何表达意图，权限边界决定系统能做什么，评测决定结果是否可信，运行时日志决定出问题能否定位。四者缺一，智能体就只能演示，不能生产。
很多团队把工具调用理解为让模型输出一段结构化参数，然后执行。真正落地时，难点在协议不统一、权限不可控、评测不闭环、日志不完整。本文从输入侧、推理与执行侧、输出与评测侧拆解，并给出三条可执行建议。
工程实践
- 先建工具注册表与统一调用网关。所有工具必须经过同一层参数校验、权限校验、超时重试和审计日志，禁止模型直接绕过网关调用下游。
- 用场景化权限令牌替代静态白名单。令牌绑定用户、任务、工具、参数范围和有效期；高危工具增加二次确认，工具串联时逐次校验。
- 建最小评测闭环。准备黄金任务集，覆盖正常、边界和恶意输入；每次工具变更跑回归，检查成功率、副作用和越权拦截，并用日志回放定位差异。
风险边界
成本风险来自调用次数、上下文膨胀和重试放大。工具越多、描述越长，模型选择成本越高；无上限重试会把一次失败放大成多次副作用。幻觉风险来自模型虚构参数、虚构结果或错误选择工具，必须用强校验、结果引用和失败显式返回约束。越权调用风险来自提示注入、工具串联和权限漂移，最小权限、二次授权和逐次校验是底线。长尾输入与延迟风险来自异常参数、超长文本、外部接口抖动，需要超时、降级、缓存、幂等和人工兜底。工具链工程化的目标不是让智能体“什么都能做”，而是让它在可控边界内稳定做事，并且每次调用都能解释、能追责、能回放。