1. 引言：工具调用失败是一种常态，而不是意外在 LLM Agent 系统中，"模型能不能调用对工具"只是入门题，"工具调用失败之后系统还能不能安全、优雅地继续运转"才是量产的分水岭。很多人对 Agent 的认知停留在 Demo 阶段：模型输出一个tool_call，执行器跑一下工具，把结果塞回上下文，大功告成。但在真实生产环境里，这条链路每一环都可能断裂：模型输出的 JSON 参数不合法，工具直接抛ValidationError；第三方 API 返回429 Too Many Requests或500 Internal Server Error；工具执行超过预设的 30 秒超时，任务被强制中断；上游数据库短暂不可用，查询接口报连接池耗尽；模型幻觉出一个根本不存在的工具名，调度器找不到实现；网络抖动导致响应体只收到一半，客户端解析失败。工具调用失败不是小概率事件，而是分布式系统里的必然事件。一个由多个工具调用串联而成的 Agent 工作流，假设单次工具调用成功率为 99%，那么一个需要 20 次工具调用的任务，整体成功率只有约 82%；如果是 50 次调用，成功率会跌到 60% 左右。这还没有考虑模型本身的非确定性。因此，任何一个打算上生产的 Agent 系统，都必须把"失败处理"当作一等公民来设计，而不是在最后一刻打补丁。这正是本文要系统探讨的主题：
