Tool Calling：AI Agent 工具调用与上下文噪音治理
Tool Calling 是 AI Agent 执行动作的入口。模型要读文件、查资料、跑命令、调用 API，都离不开工具调用。
问题出在长任务里。日志、搜索结果、文件内容、失败输出一轮轮塞回上下文，模型很快要在噪音里继续推理。工具调用没有错，但原始工具结果不应该全部原样交给模型。
Tool Calling 常见问题
- 上下文变脏：大量无关 stdout、搜索命中和旧错误会挤占模型注意力。
- 调用太碎：模型一步一步调用底层工具，任务变长后成本和错误都会放大。
- 状态混乱：模型要自己判断哪些观察还有效，哪些已经过期。
- 结果不可复用：同一批文件和日志可能被反复读取，缺少稳定缓存和摘要。
推荐阅读路径
先看 toolCall 噪音为什么出现，再看如何把工具输出整理成模型可读输入，最后看 Runtime 如何重新接管一部分执行职责。
关键文章
常见问题
Tool Calling 和 Function Calling 是一回事吗？
很多场景里两者指向相近：模型输出结构化调用，由外部系统执行函数或工具。Tool Calling 的讨论范围更宽，它还包括工具选择、结果整理、状态管理和安全边界。
为什么工具调用会制造噪音？
工具返回的是机器输出，不是模型推理所需的工作记忆。一次构建失败可能有几百行日志，真正有用的只有几行。Runtime 如果不整理，模型就要在噪音里继续判断。
怎么降低 toolCall 噪音？
不要只压缩 token。更有效的做法是按任务目标整理观察：保留事实、证据引用、当前判断和下一步需要模型决定的问题。
一句话结论
工具调用的难点不只在调用本身，还在调用结果如何被压缩、归因、复用和审计。Agent 系统要减少模型面对的过程噪音。