源码与协议对比

本章从工程师视角对比主流平台与框架的 Tool Use 实现。虽然各家 API 形态不同，但底层都遵循“定义工具 → 绑定工具 → 模型生成调用 → 执行 → 反馈结果”的循环。

OpenAI Function Calling

OpenAI 的 Function Calling 分为 Chat Completions API 与 Responses API 两条线，字段命名略有差异。

Chat Completions API

python

from openai import OpenAI
client = OpenAI()

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名，如北京"},
                    "unit": {"type": "string", "enum": ["c", "f"]},
                },
                "required": ["city"],
                "additionalProperties": False,
            },
            "strict": True,
        },
    }
]

response = client.chat.completions.create(
    model="gpt-6.1-sol",
    messages=[{"role": "user", "content": "北京今天天气怎么样？"}],
    tools=tools,
    tool_choice="auto",
)

if response.choices[0].message.tool_calls:
    for tc in response.choices[0].message.tool_calls:
        args = json.loads(tc.function.arguments)
        result = get_weather(**args)
        # 把结果作为 role=tool 消息回传

Responses API

python

response = client.responses.create(
    model="gpt-6.1-sol",
    input="北京今天天气怎么样？",
    tools=[
        {
            "type": "function",
            "name": "get_weather",
            "description": "获取指定城市的当前天气",
            "parameters": {...},
            "strict": True,
        }
    ],
    tool="auto",
)

特点：

strict: True 可显著提升参数格式遵循率。
tool_choice 支持 auto / none / required / {"type": "function", "function": {"name": "..."}}。
parallel_tool_calls: False 可禁用并行调用。
2026 年的主线是 DevDay 2026（2026-09-29）发布的 Agents API 公测：基于 Codex harness 的托管 Agent 运行时，内置 OpenAI 云端 computer use、tool search、context compaction 与多 Agent 协调，并集成进 Codex 与 ChatGPT Work；配套发布 GPT-6.1 Sol（Ultrafast 推理档可使 Codex 生成提速约 8 倍）与 Decisions API（Luna 模型驱动的确定性结构化判定，面向合规场景）。官方口径工具调用与工作流整体提速 30%+；Agent Builder 已弃用，Agents SDK 成为官方主推编排层。结构化输出与 strict mode 底层均由受约束解码保证，生产上建议默认开启。

Anthropic Tool Use

Anthropic 把工具调用与结果都表达为消息内容块（content block）。

python

from anthropic import Anthropic
client = Anthropic()

tools = [
    {
        "name": "get_weather",
        "description": "获取指定城市的当前天气",
        "input_schema": {
            "type": "object",
            "properties": {
                "city": {"type": "string"},
                "unit": {"type": "string", "enum": ["c", "f"]},
            },
            "required": ["city"],
        },
    }
]

response = client.messages.create(
    model="claude-sonnet-5-5",
    max_tokens=1024,
    messages=[{"role": "user", "content": "北京今天天气怎么样？"}],
    tools=tools,
    tool_choice={"type": "auto"},
)

for block in response.content:
    if block.type == "tool_use":
        result = get_weather(**block.input)
        # 回传 tool_result 块
        tool_result = {
            "type": "tool_result",
            "tool_use_id": block.id,
            "content": str(result),
        }

特点：

工具参数 schema 字段名为 input_schema。
工具结果通过 tool_result 块回传，需匹配 tool_use_id。
支持 disable_parallel_tool_use 与 tool_choice: {type: "any"} / {type: "tool", name: "..."}。
2026 下半年起 Anthropic 的当前主力是 5.5 家族：Opus 5.5（2026-09-22，多数任务达 Fable 5.1 水平、成本低 40%）、Sonnet 5.5（2026-09-28，提速 30%）、Haiku 5.5（2026-10-07，首个可调 effort 的 Haiku），均支持 tool use。服务端工具持续加码：代码执行工具（见下文）、浏览器工具集（browser_toolset，2026-08 GA）、web 搜索/抓取工具、MCP 连接器；客户端侧支持 tool search 与 Skills（渐进披露），大规模工具集不必全量注入。

代码执行作为内置工具（Anthropic / OpenAI）

2025–2026 年，头部厂商把“沙箱代码执行”做成了托管工具：模型生成代码，由厂商在隔离容器中运行，结果以 tool_result 回传。

Anthropic 的代码执行工具（2026-01 版 code_execution_20260120 为推荐版本）的关键设计：

python

response = client.messages.create(
    model="claude-sonnet-5-5",
    max_tokens=4096,
    tools=[
        {"type": "code_execution_20260120", "name": "code_execution"}
    ],
    messages=[{"role": "user", "content": "分析这份 CSV 并画图"}],
)

特点：

REPL 状态持久化：后续代码调用可以复用之前定义的变量与导入，多轮“写代码 → 看结果 → 改代码”不需要重复上下文。
programmatic tool calling：模型可以在同轮中既输出普通工具调用、又输出代码，框架按依赖调度。
强隔离：无公网访问（或严格白名单）、资源限额、临时文件系统，按会话计费。
OpenAI 侧的对应物是 ChatGPT Agent / Codex 的沙箱代码执行，经 Responses API 暴露；Cloudflare 等则提供自托管的 “Code Mode”（每次调用全新容器、无状态）。

这一形态本质上是 CodeAct 思想的托管化：动作空间从“几十个 JSON 工具”收敛为“一个代码执行工具 + 一批 Python 可调用的 SDK”，用代码的表达力换取轮次与 token 的节省（参见《The Bitter Lesson of Tool Calling》，第 1 章）。

浏览器与计算机使用工具

“操作真实界面”是 Tool Use 在 2025–2026 年的另一主战场，形成两条技术路线：

路线	代表	原理	适用场景
视觉/GUI 级 Computer Use	Claude Computer Use、OpenAI CUA、Gemini Computer Use、OpenCUA（开源权重）	模型看屏幕截图，输出鼠标/键盘动作	跨应用桌面操作、无 API 的老系统
DOM/CDP 级浏览器工具	Anthropic `browser_toolset`、开源 browser-use、Stagehand、Playwright MCP	模型获得结构化的页面元素引用，做点击/填表/导航	网页自动化、表单、数据抓取

工程要点：

Anthropic 2026-08 将 browser_toolset（视口级浏览器工具集，含元素引用、表单输入、标签页管理、可选文件上传）推向 GA，与完整的 Computer Use 形成“网页任务用浏览器工具、桌面任务用 Computer Use”的分工；开源 browser-use 项目也实现了兼容该工具集的动作集合。
OpenAI 侧：CUA 的独立产品 Operator 已于 2025-08 并入 ChatGPT Agent；2026-09 DevDay 起，computer use 作为 Agents API 的托管能力进入公测（OpenAI 云端浏览器/桌面环境），第三方基础设施（Browserbase、Hyperbrowser 等）继续提供配套隐身浏览器与代理网络。
第三方评测（2026）大致显示：浏览器专用任务上 DOM 类工具领先（WebVoyager 约 89%）；旧版 OSWorld（Verified）头部已越过人类基线（Intelligence-Indeed Agent 约 90.2%、Claude Fable 5 约 86.0%、GPT-5.5 约 78.7%，100 步限制），但新版 OSWorld 2.0（108 个长程任务）大幅拉开差距：Claude Fable 5.1 约 77.9% partial / 41.7% binary、Claude Opus 5（max effort）约 68.3% partial、GPT-6 Astra 厂商自报约 72.6% partial——注意 partial 与 binary 口径差异巨大，且不少数字为厂商自报、不可直接横比。GUI 级长程操作的可靠性仍是明显短板，生产上应优先用 API/结构化工具，把界面操作作为兜底。
安全：浏览器/桌面工具是提示注入的高危入口（恶意网页内容可劫持工具调用），必须配合域名白名单、敏感操作 HITL 与输出审查（见第 8、9 章）。

Google Gemini Function Calling

Gemini 使用 function_declarations 定义工具，通过 tool_config 控制调用模式。

python

from google import genai
from google.genai import types

client = genai.Client()

weather_tool = types.Tool(
    function_declarations=[
        types.FunctionDeclaration(
            name="get_weather",
            description="获取指定城市的当前天气",
            parameters=types.Schema(
                type=types.Type.OBJECT,
                properties={
                    "city": types.Schema(type=types.Type.STRING),
                    "unit": types.Schema(
                        type=types.Type.STRING,
                        enum=["c", "f"],
                    ),
                },
                required=["city"],
            ),
        )
    ]
)

response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents="北京今天天气怎么样？",
    config=types.GenerateContentConfig(
        tools=[weather_tool],
        tool_config=types.ToolConfig(
            function_calling_config=types.FunctionCallingConfig(mode="AUTO")
        ),
    ),
)
for part in response.candidates[0].content.parts:
    if part.function_call:
        fc = part.function_call
        result = get_weather(**dict(fc.args))
        # 通过 function_response part 回传

特点：

Schema 使用 protobuf 风格封装（新 SDK 为 types.Schema），参数类型为枚举常量；旧的 google.generativeai SDK 已被 google-genai 取代，新代码应使用后者。
工具选择模式为 AUTO / ANY / NONE（FunctionCallingConfig.mode）。
结果通过 function_response part 回传。
2026 年的重要变化在结构化输出：Google 官方扩大 structured outputs 的 JSON Schema 关键字支持（anyOf、$ref、minimum/maximum、additionalProperties、prefixItems），可直接配合 Pydantic / Zod 使用；Gemini 3 起支持 structured outputs 与 function calling 在同一调用中组合。同时 API 形态在迁移：Interactions API 以多态 response_format 取代 response_mime_type（2026-06 旧接口下线），Schema Manager 需要跟踪这类厂商侧 schema 表达变更。

LangGraph

LangGraph 把工具抽象为 Python 函数，通过装饰器注册，并用预构建节点处理工具调用。

python

from langchain_core.tools import tool
from langgraph.prebuilt import ToolNode, tools_condition
from langgraph.graph import StateGraph, MessagesState

@tool
def get_weather(city: str, unit: str = "c") -> str:
    """获取指定城市的当前天气。"""
    return f"{city} 今天晴天，25{unit}。"

graph = StateGraph(MessagesState)
graph.add_node("agent", call_model)
graph.add_node("tools", ToolNode([get_weather]))
graph.add_edge("__start__", "agent")
graph.add_conditional_edges("agent", tools_condition)
graph.add_edge("tools", "agent")
app = graph.compile()

特点：

@tool 自动从函数签名与 docstring 生成 schema。
bind_tools 把工具绑定到模型。
ToolNode 自动执行工具调用，tools_condition 自动判断是否需要进入工具节点。
适合快速原型，复杂权限与沙箱需要自己扩展。

OpenAI Agents SDK

OpenAI Agents SDK 是一个高阶框架，内置工具循环、跟踪与交接（handoff）。

python

from agents import Agent, function_tool, Runner

@function_tool
def get_weather(city: str) -> str:
    """获取指定城市的当前天气。"""
    return f"{city} 今天晴天。"

agent = Agent(
    name="weather_assistant",
    instructions="你是一个天气助手。",
    tools=[get_weather],
    model="gpt-6.1-sol",
)

result = Runner.run_sync(agent, "北京今天天气怎么样？")
print(result.final_output)

特点：

@function_tool 自动 schema 生成。
Runner 内部负责工具循环、结果反馈、跟踪（trace）。
支持 handoff 把任务转交给其他 Agent。
DevDay 2026 后 Agents SDK 是 OpenAI 官方主推的编排层（Agent Builder 已弃用）；需要托管运行时可叠加 Agents API（computer use、tool search、context compaction，2026-09 公测）。
对需要深度定制的生产系统，仍需自行封装 Registry、权限、熔断等。

AutoGen

AutoGen 把函数包装为 FunctionTool，再绑定到 AssistantAgent。

python

from autogen_core.tools import FunctionTool
from autogen_agentchat.agents import AssistantAgent
from autogen_ext.models.openai import OpenAIChatCompletionClient

async def get_weather(city: str) -> str:
    return f"{city} 今天晴天。"

weather_tool = FunctionTool(
    get_weather,
    description="获取指定城市的当前天气",
)

agent = AssistantAgent(
    name="weather_assistant",
    model_client=OpenAIChatCompletionClient(model="gpt-6.1-sol"),
    tools=[weather_tool],
    system_message="你是一个天气助手。",
)

特点：

工具与 Agent 解耦，便于复用。
AssistantAgent 自动处理工具循环。
v0.4+ 基于 autogen-core 重新设计，强调异步与模块化。

MCP（Model Context Protocol）

MCP 不是某一厂商的 SDK，而是一套开放协议，用于标准化模型与外部能力之间的发现与调用。

json

// tools/list 响应示例
{
  "tools": [
    {
      "name": "get_weather",
      "description": "获取指定城市的当前天气",
      "inputSchema": {
        "type": "object",
        "properties": {
          "city": {"type": "string"},
          "unit": {"type": "string", "enum": ["c", "f"]}
        },
        "required": ["city"]
      },
      "annotations": {
        "title": "Get Weather",
        "readOnlyHint": true
      }
    }
  ]
}

// tools/call 请求示例
{
  "name": "get_weather",
  "arguments": {"city": "北京", "unit": "c"}
}

特点：

通过 tools/list 动态发现，通过 tools/call 调用。
JSON-RPC 2.0 传输，支持 stdio 与 Streamable HTTP（2025-03 起取代 HTTP+SSE）。
inputSchema 字段与 JSON Schema 对齐，便于跨厂商复用。
annotations 提供可读提示、破坏性提示、只读提示、幂等提示等元信息（2025-03 引入），客户端可据此做默认审批策略。
2025-06 规范新增 elicitation（服务端在任务中途经客户端向用户请求结构化输入，原生支撑 HITL）与 structuredContent（结构化工具输出）。
鉴权从“各写各的”演进为 OAuth 2.1 资源服务器语义 + RFC 8707 受众绑定（防止 token 跨服务重放）；2026-07 的规范 RC 进一步走向无状态化（server/discover、请求级元数据、ttlMs/cacheScope 缓存提示）。
安全现实：MCP 生态 2025–2026 年曝出多起 CVE（工具投毒、STDIO 命令注入等），客户端必须做工具描述校验、变更检测与最小权限（见第 8 章），详见 MCP 与安全主题。

综合对比表

项目	Schema 字段	Tool Choice	并行调用	结果格式	循环责任	适合场景
OpenAI Chat Completions	`function.parameters`	`tool_choice` + `parallel_tool_calls`	支持	`role: tool` + `tool_call_id`	应用代码	通用生产
OpenAI Responses API	`parameters`	`tool`	支持	输出项中 `type: function_call`	应用代码	新 API 路线，内置托管工具多
OpenAI Agents API（公测）	平台托管 tools	平台托管	支持	平台托管 trace	平台托管运行时	托管 Agent：computer use / tool search / context compaction
Anthropic Messages	`input_schema`	`tool_choice` + `disable_parallel_tool_use`	支持	`tool_use` / `tool_result` 块	应用代码	Claude 生态，服务端工具丰富
Anthropic Code Execution	无需 schema	模型自主决定	同轮混合编排	`tool_result`（代码输出）	托管沙箱执行	数据处理、代码类动作（CodeAct）
Google Gemini	`function_declarations[].parameters`	`tool_config.function_calling_config.mode`	支持	`function_call` / `function_response` part	应用代码	Gemini 生态
LangGraph	`@tool` 自动生成	`bind_tools` + `tools_condition`	支持	内部消息对象	框架内置	快速编排
OpenAI Agents SDK	`@function_tool` 自动生成	默认自动，可强制	支持	内部封装	Runner 内置	快速 Agent 原型
AutoGen	`FunctionTool` 包装	Agent 配置	支持	内部消息对象	Agent 内置	多 Agent 系统
MCP	`inputSchema`	由客户端/模型层决定	取决于客户端	JSON-RPC result / structuredContent	客户端实现	开放生态 / 插件 / 跨服务

工程选型建议

直接与 LLM 厂商集成：如果团队只需要支持一家模型，直接使用厂商 SDK 最简单，严格模式与原生跟踪都可用。
需要切换多家模型：在内部建立统一的 ToolDefinition 与 SchemaManager，再适配到各厂商格式。
快速原型与编排：LangGraph 或 OpenAI Agents SDK 能显著降低样板代码。
不想自研 Agent 运行时：可考虑托管运行时路线（OpenAI Agents API 公测），把 computer use、tool search、context compaction 交给平台；但 Registry、权限、审计等治理层仍需自己掌握。
开放插件生态 / 多租户：采用 MCP 作为外部能力接入标准，Tool Use 层负责语义映射与权限治理。
代码密集型任务：优先考虑代码执行工具 / CodeAct 形态（托管沙箱或自建沙箱），把数据加工类动作从“多轮 JSON 调用”折叠成“单轮代码”；但要求模型具备足够的代码能力，且沙箱隔离必须到位。
网页/桌面自动化任务：优先 DOM/CDP 级浏览器工具，视觉级 Computer Use 作为无 API 系统的兜底；两者都要叠加防注入与人机确认。

无论选择哪种方案，生产系统都需要在框架之上补充 Registry、Validator、Permission、Executor、Observer 等模块，不能把所有治理逻辑都交给模型或框架默认实现。

源码与协议对比 ​

OpenAI Function Calling ​

Chat Completions API ​

Responses API ​

Anthropic Tool Use ​

代码执行作为内置工具（Anthropic / OpenAI） ​

浏览器与计算机使用工具 ​

Google Gemini Function Calling ​

LangGraph ​

OpenAI Agents SDK ​

AutoGen ​

MCP（Model Context Protocol） ​

综合对比表 ​

工程选型建议 ​

源码与协议对比

OpenAI Function Calling

Chat Completions API

Responses API

Anthropic Tool Use

代码执行作为内置工具（Anthropic / OpenAI）

浏览器与计算机使用工具

Google Gemini Function Calling

LangGraph

OpenAI Agents SDK

AutoGen

MCP（Model Context Protocol）

综合对比表

工程选型建议