面灵AI→

Agent 工具与 MCP 二十问:按面试出现频次排序的 Function Calling 清单

轮次
面试题库
时间
2026-11
来源
牛客网

《面试题目》

  1. Function Calling 的调用闭环是什么,模型怎样选择并执行工具?(22 次)
  2. MCP 是什么,Agent 怎样接入和调用 MCP?(19 次)
  3. 工具调用失败、超时或返回空值时如何反馈与恢复?(14 次)
  4. MCP 与 Function Calling 的边界和配合方式是什么?(9 次)
  5. 如何设计、开发和部署一个 MCP Server?(9 次)
  6. 如何限制工具调用范围,防止模型越权操作?(9 次)
  7. 模型怎么知道有哪些工具,工具怎样注册与暴露?(8 次)
  8. 多工具串行与并行怎样编排、传递中间结果?(7 次)
  9. MCP、CLI、直接 API 应该怎样选型?(7 次)
  10. MCP 的传输方式、会话与协议交互如何工作?(7 次)
  11. 模型填错工具参数时,Schema 和业务校验怎么做?(5 次)
  12. 工具返回数据过长时,如何压缩、分页或外置结果?(5 次)
  13. MCP 或工具怎样测试、评估和迭代?(4 次)
  14. 几十上百个工具怎样路由,如何避免全量 Schema 占满上下文?(3 次)
  15. MCP 鉴权与 OAuth 如何设计,密钥放在哪?(2 次)
  16. 工具操作如何做幂等,避免超时后重复执行?(2 次)
  17. 工具粒度如何划分,大工具与多个小工具怎么选?(1 次)
  18. 缺少原生 Function Calling 能力时如何适配模型?(1 次)
  19. 已有微服务注册与 API,为什么还需要 MCP?(1 次)
  20. 工具调用链路应该记录哪些审计与观测字段?(1 次)

《参考解析》

Function Calling 是四步闭环,模型只负责出「调用意图」:请求里带上工具的 JSON Schema(名称、描述、参数的类型与必填项),模型返回一条 tool_calls 消息——工具名加一段 JSON 参数,注意它不执行任何东西;应用侧收到后做校验、鉴权、真正调用,再把结果以 tool 角色、对应 tool_call_id 的消息回填;模型读到结果后继续推理,直到给出最终回答或再次发起调用。理解这一点之后,绝大多数追问都有了落点:执行在应用侧,所以超时、重试、限流、幂等都由应用负责;模型的输入只有 Schema 与描述,所以工具描述写得含糊,模型就会选错工具或填错参数。

MCP 是「工具怎么被接入」的协议,与 Function Calling 处在不同层:MCP 用 JSON-RPC 2.0 交换消息,角色分 host(承载模型的宿主,例如 IDE、客户端)、client(host 内为每个 server 维护的连接)、server(暴露能力的一方)。服务端暴露三类能力——tools(可调用动作)、resources(可读取的数据,按 URI 寻址)、prompts(预置的提示模板)。会话以 initialize 开始,双方协商协议版本与 capabilities,之后 tools/list 取清单、tools/call 执行。传输有 stdio(本地子进程,最常见)与 Streamable HTTP(远程,早期是 SSE)。所以「MCP 与 Function Calling 的边界」可以一句话回答:Function Calling 规定模型如何表达调用意图,MCP 规定宿主如何发现与调用外部能力;两者可组合——host 把 MCP server 的 tools 转成模型可见的 Schema,模型出 tool_calls,host 再翻译成 MCP 的 tools/call。

失败、超时与空值的恢复要分类处理:先把错误分成可重试(网络超时、429、5xx、临时不可用)与不可重试(参数类型错误、权限拒绝、资源不存在、业务规则拒绝),前者按指数退避重试 1–2 次,后者立刻把错误原文回填给模型让它改参数或换工具,而不是原样重试。空值是最容易被忽略的一类——工具查不到数据时如果返回空字符串或 null,模型往往认为工具坏了、反复重试;正确做法是返回结构化结果,明确写「查询成功,结果为 0 条」并附上用的查询条件,模型才知道该换条件而不是重试。回填内容要带三样:成功与否、错误码与原文、可执行的下一步提示(例如「该参数应为 ISO 日期」)。重试还要设总预算(次数与总时长),否则一个坏工具能把整轮对话拖死。

防越权不能只靠提示词:工具层的约束要落在三处——Schema 层用枚举、范围、正则把自由文本收紧;执行层做服务端校验与权限判定(当前用户能否操作这个资源、这个动作是否允许在只读模式下发起);流程层把高危动作(删除、支付、提交)设计成两步确认,并保留人工确认点。描述里写「仅用于查询」挡不住模型,服务端的鉴权才是边界。审计同样重要:每次调用至少记录时间、会话与用户、工具名、参数摘要(敏感字段脱敏)、结果状态与错误码、耗时、模型与 token 用量,这些字段决定了事后能不能复盘「它为什么调了这个工具」。

工具多了以后,问题从「会不会调」变成「调得准不准、上下文够不够」:几十上百个工具的完整 Schema 很容易吃掉几千 token,还会让模型在相似工具之间摇摆。常见做法是分层——先给一组场景级的粗粒度工具(或先让模型选领域),命中后再加载该领域的具体工具;用检索按用户意图召回 Top-K 工具;把 Schema 精简到「描述一句话、参数尽量少、能用枚举不用自由文本」;把大结果外置(落文件或对象存储,只回摘要加引用与分页游标),需要细节时再取。这与「工具粒度怎么划分」是同一个问题的两面:工具太少则一个工具参数过于复杂、模型填不对;工具太多则选择困难、上下文吃紧。经验判据是「一个工具只做一件事,参数不超过五六个,名称与描述能让人一眼分清」。

幂等与鉴权是生产环境的硬要求:超时后重试是必然发生的,所以有副作用的工具要带幂等键(业务主键 + 操作类型,或客户端生成的 request id),服务端按幂等键去重并返回首次结果;没有幂等键时,宁可把工具设计成「先查询再执行」的两步,也不要在超时后盲目重试。鉴权上,MCP 的远程接入用 OAuth 2.1 + PKCE,token 存在宿主或服务端,按用户隔离,绝不写进提示词或模型可见的工具参数;工具调用时由宿主注入凭据,模型只看到「这个工具可用」。密钥管理同理——放密钥管理服务或环境变量,日志里不落明文。

选型看的是复用边界与调用成本:MCP 适合「同一个能力要被多个宿主复用」「需要标准化发现与鉴权」「第三方提供能力」的场景,代价是多一层协议与部署;CLI 适合本地一次性操作与脚本编排,简单直接,但输出解析脆弱、权限边界模糊;直接调 API 适合内部服务之间调用关系固定的场景,性能最好、可控性最强。判断标准不是「谁更先进」,而是这个能力要被谁调用、调用频率多高、是否需要跨产品复用。至于「已有微服务注册与 API 为什么还要 MCP」——微服务的注册发现解决的是服务之间的寻址与负载均衡,MCP 解决的是「模型如何理解并安全地调用一个能力」,前者面向服务,后者面向模型,需要的是语义化的描述、受控的参数与面向模型的错误信息,这一层微服务接口本身并不提供。