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