知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 03 - 工具调用(Function Calling) > 导读:本文从"面试官问『Function Calling 到底是模型在调函数,还是你的代码在调函数』时该怎么答"这个高频疑问出发,把工具调用的本质、Function Calling 的完整机制、LangChain 与 OpenAI 两种定义方式、五大工具设计原则、并行工具调用与副作用幂等逐项讲透,最后给出工程实践与踩坑。适合正在为 Agent 接工具、或准备 AI 应用方向面试的同学。 ## 一、先建立全局认知 ### Q:工具调用的本质是什么?为什么它是 Agent 最关键的一环? A:结论先行——**LLM 本身只能生成文本,工具调用(Tool Calling)让它能"动手":调用 API、查数据库、执行代码;它是 LLM 从"只会说"跨到"能做事"的那一步,也是 Agent 能产生真实价值的唯一通道**。 用一组对比就能看出差距的本质: ```text 没有工具:LLM 只能说 "北京现在大概 15 度吧" (可能是编的) 有工具: LLM 调用天气 API,返回 "北京现在 12°C,多云"(真实数据) ``` **为什么说"唯一通道"?** 因为模型的知识固定在训练时点,而业务需要的订单状态、库存、用户表单、实时行情全在外部系统里。没有工具,模型只能靠猜;有了工具,它才有办法把"我不知道"变成"我去查一下"。**这也是 Agent 与普通 LLM 最硬的分界线——工具的有无,直接决定了能力的上限。** ### Q:Function Calling 的完整机制是怎样的? A:结论先行——**分五步:开发者定义工具 Schema(名称、描述、参数)→ 用户提问、LLM 判断是否需要调用工具 → 需要则由 LLM 输出工具名与结构化 JSON 参数 → 应用层执行工具拿到结果 → 把结果返回给 LLM,由 LLM 生成最终回答**。 ```text 1. 开发者定义工具的 Schema(名称、描述、参数) 2. 用户提问,LLM 判断是否需要调用工具 3. 如果需要,LLM 输出工具名称和参数(结构化 JSON) 4. 应用层执行工具调用,获取结果 5. 把结果返回给 LLM,LLM 生成最终回答 注意:LLM 不直接执行工具,它只是"决定"调用什么工具、传什么参数 实际执行是应用层的事 ``` 用一个具体例子把五步串起来: ```text 用户:"北京明天天气怎么样?" LLM 输出(不是文本,是结构化调用): { "tool": "get_weather", "arguments": {"city": "北京", "date": "明天"} } 应用层执行 get_weather("北京", "明天") → {"天气": "晴", "温度": "18°C"} LLM 收到结果后生成: "北京明天晴天,气温 18°C,适合出行。" ``` **注意最后的"LLM 收到结果后生成"这一步**:工具返回的是 JSON,用户要的是人话。把结构化结果转成自然语言回答,是模型的职责;而**确保 JSON 里的数据没被模型改写,是应用层的职责**(否则 18°C 可能被说成 20°C)。 ### Q:到底是谁在执行工具?这是最容易被误解的一点 A:结论先行——**LLM 不执行任何工具,它只负责"决策"(调什么工具、传什么参数),真正的执行发生在应用层;模型输出的是结构化的调用意图,而不是可执行代码**。 这个边界必须划清楚,因为它决定了两件工程事实: | 视角 | 模型负责 | 应用层负责 | |---|---|---| | 决策 | 选哪个工具、填什么参数 | 校验参数是否合法、是否有权限 | | 执行 | 无 | 真正调用 API / 查库 / 跑代码 | | 结果 | 读取结果并组织语言 | 返回结果、截断、脱敏、记录日志 | | 安全 | 无任何保证 | 全部安全责任 | 第一行的推导很关键:**既然模型输出只是"建议"而非"命令",应用层就必须把它当作不可信输入来对待**。Schema 校验、权限校验、业务规则校验全部要在执行前做完——**这正是 Agent 安全设计的起点**。任何"模型说要执行就执行"的实现,都是在把系统的安全边界交给一个概率模型。 ## 二、理解核心机制 ### Q:怎么定义一个工具?LangChain 的做法是怎样的? A:结论先行——**用 `@tool` 装饰器把普通 Python 函数变成工具,函数签名提供参数定义、docstring 提供用途与参数说明、返回类型提供结果描述;框架据此自动生成传给模型的 Schema**。 ```python from langchain.agents import tool @tool def get_weather(city: str, date: str = "今天") -> str: """查询指定城市的天气信息。 Args: city: 城市名称,如 "北京"、"上海" date: 日期,如 "今天"、"明天" """ # 实际调用天气 API return f"{city}{date}天气:晴,18°C" @tool def run_python(code: str) -> str: """执行 Python 代码并返回结果。 Args: code: 要执行的 Python 代码 """ import subprocess result = subprocess.run(["python", "-c", code], capture_output=True, text=True) return result.stdout or result.stderr ``` **关键点解读——`docstring` 非常重要,LLM 根据描述决定什么时候用这个工具、怎么传参数**: - **函数名**成为工具名(`get_weather`),**参数名与类型注解**成为 JSON Schema 的 properties 与类型,**默认值决定参数是否 required**(`date` 有默认值所以非必需,`city` 必填)。 - **docstring 是给模型看的"说明书"**,不是给人看的注释。它写得好不好,直接决定模型会不会在正确时机选中这个工具。`run_python` 因为能力太宽(可执行任意代码),**在生产中是典型的高风险工具,必须加沙箱和权限约束**。 - `result.stdout or result.stderr` 这种"失败也返回文本"的做法**保证了工具永不抛异常、永远有 Observation 可回灌**,但代价是模型要自己从文本里判断成败——更稳妥的做法是显式返回结构化的成功/失败标志(见后文的错误处理原则)。 ### Q:OpenAI 原生 Function Calling 怎么写? A:结论先行——**直接构造符合规范的 `tools` 列表(每个工具声明 `type: "function"` 及 `function.name`、`description`、`parameters` 的 JSON Schema),调用对话补全接口时传入 `tools` 与 `tool_choice`,再从响应里读取 `tool_calls`**。 ```python tools = [ { "type": "function", "function": { "name": "get_weather", "description": "查询指定城市的天气", "parameters": { "type": "object", "properties": { "city": {"type": "string", "description": "城市名称"}, "date": {"type": "string", "description": "日期"} }, "required": ["city"] } } } ] response = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": "北京明天天气怎么样?"}], tools=tools, tool_choice="auto" # auto / required / none ) # 检查是否有工具调用 if response.choices[0].message.tool_calls: tool_call = response.choices[0].message.tool_calls[0] print(tool_call.function.name) # "get_weather" print(tool_call.function.arguments) # '{"city": "北京", "date": "明天"}' ``` **关键点解读**: - **`parameters` 是标准 JSON Schema**:`properties` 描述每个参数的类型与语义,`required` 声明必填项。**参数的 `description` 不是可选装饰,而是模型填对值的依据**——不写描述,模型只能靠参数名猜,遇到 `date` 这类模糊字段极易填成 "明天" 这种自然语言而非约定的格式。 - **`tool_choice` 三种取值语义不同**:`auto` 由模型自行判断是否需要调用;`required` 强制必须调用某个工具(适合"这一轮就是要走工具"的流程);`none` 禁止调用(适合只做纯文本生成的轮次)。**它们的具体支持情况与默认行为以你所用的模型/接口版本为准**。 - **`tool_call.function.arguments` 是 JSON 字符串而非对象**,需要自行 `json.loads`;而且**它的内容是"模型生成的"**,所以解析可能失败、字段可能缺失,必须做容错(这与 ReAct 文本解析面临的是同一个问题,只是格式由"自由文本"换成了"约定 JSON")。 - **流程上还需要把工具执行结果作为一条特殊角色的消息回传**,模型才能生成最终回答;缺少这一步,模型会重复发起同一次调用。 ### Q:为什么说工具的描述和参数定义直接决定调用准确率? A:结论先行——**因为模型对工具的全部认知都来自 Schema:它不知道你的函数内部做了什么,只能通过 name、description、参数描述来推断"这个工具适不适合当前任务、该传什么值";描述模糊,模型就必然误选或填错**。 把"描述得好/不好"的差异列成表,可以直观看到问题: | 描述方式 | 模型看到的信息 | 可能的后果 | |---|---|---| | `"处理数据"` | 完全不知道做什么类型的数据、输出是什么 | 任何涉及数据的任务都可能误选它 | | `"执行 SQL 查询并返回结果,输入为合法的 SELECT 语句"` | 明确用途、输入约束、输出 | 只在需要查库时选中,且会传 SELECT 语句 | | `date: str` | 不知道格式 | 可能传 "明天"、"下周三" 等自由文本 | | `date: str # 格式 YYYY-MM-DD,如 "2024-01-15"` | 格式与示例明确 | 大概率按约定格式填写 | **结论是:工具定义中"描述"部分的工作量,往往比函数体本身还大**。这一点在多个相似工具并存时尤其致命——例如同时存在 `search_docs` 和 `search_web`,如果描述都只写"搜索",模型几乎是在掷硬币。 ### Q:既然可以用文本格式(思考/行动/参数)来解析工具调用,为什么还要用 Function Calling? A:结论先行——**Function Calling 把"输出格式"从"模型需要遵守的自然语言约定"变成了"接口层面的结构化约束":不需要写正则解析、不依赖模型是否严格听话、参数天然就是 JSON;代价是它需要模型与接口支持该能力,且中间的推理过程不再以自由文本形式自动暴露**。 两种方式的对比: | 对比维度 | 文本格式解析(ReAct 式) | Function Calling | |---|---|---| | 约束强度 | 软约束(靠 Prompt 约定) | 接口级约束(由模型侧保证结构) | | 解析工作 | 需要多层正则 + JSON 修复 + 兜底 | 直接读结构化字段 | | 格式抖动 | 常见(换模型、加工具后易复发) | 明显更少 | | 可解释性 | 强(Thought 文本显式可见) | 相对弱(推理未必外显) | | 依赖 | 无,任何模型都能用 | 需要模型/接口支持 | | 典型风险 | 解析失败、字段缺失 | 参数仍需自行做 Schema 与权限校验 | **关键结论与落地建议**: - **能用 Function Calling 就优先用**。它把最容易出问题的一环(文本解析)从你的代码里消掉了——**这是"把不确定性交给平台能力"的典型收益**。 - **但 Function Calling 不等于安全**。它只保证"结构可解析",**不保证"内容合理"**:模型仍可能填错参数值、选中错误工具、把幻觉参数传下来,所以 Schema、权限、业务规则三重校验一个都不能省。 - **文本格式解析仍有其位置**:需要显式保留"为什么做这个动作"的可解释链时、或使用不支持原生工具调用的模型时,它仍是可行方案,只是必须配好容错解析。 ## 三、工具设计原则 ### Q:一个好的工具应该遵循哪些设计原则? A:结论先行——**五条:单一职责(一个工具做一件事)、描述清晰(LLM 靠描述理解用途)、参数明确(类型/范围/示例写清楚)、错误处理(返回有意义的错误信息)、安全边界(限制工具的能力范围)**。 ```text 1. 单一职责:一个工具做一件事 ✗ query_and_analyze(sql, chart_type) ✓ query_database(sql) + create_chart(data, chart_type) 2. 描述清晰:LLM 靠描述理解工具用途 ✗ "处理数据" ✓ "执行 SQL 查询并返回结果,输入为合法的 SELECT 语句" 3. 参数明确:类型、范围、示例都要写清楚 ✗ date: str ✓ date: str # 格式 YYYY-MM-DD,如 "2024-01-15" 4. 错误处理:返回有意义的错误信息 ✗ return None ✓ return "查询失败:表 users 不存在" 5. 安全边界:限制工具的能力范围 ✗ 允许执行任意 Shell 命令 ✓ 只允许执行白名单内的命令 ``` **逐条理解"为什么"**: **第 1 条——为什么单一职责能提高可靠性?** 因为职责单一意味着名称、输入、输出和权限边界都更明确:模型更容易判断"该不该选它",出错时也更容易定位(是选错了工具,还是参数填错)。**同时它还让权限控制可以做到最小化**——`query_database` 只需要只读权限,`create_chart` 只需要渲染权限,而不是把两者混在一个需要全权限的巨工具里。复杂流程应该由 Agent 编排多个小工具完成,而不是塞进一个大工具。 **第 2 条——描述为什么必须是"用途 + 边界 + 输出"三件套?** 只写用途,模型会在边界场景误用(例如把只读查询工具用在需要写入的场景);不写输出,模型不知道能从这个工具拿到什么、是否需要后续步骤。 **第 3 条——参数为什么必须给示例?** 因为"类型"只能约束到 `string` 这一层,约束不了格式。`date: str` 允许 "明天"、"2024-01-15"、"01/15" 全部通过类型检查,但只有一种能被后端正确解析。**给一个示例值,成本极低,收益极高。** **第 4 条——错误信息为什么不能是 `None`?** 因为 Observation 是模型唯一的纠错依据。**返回 `None`,模型只知道"失败了"但不知道"为什么、怎么改",于是大概率原样重试;返回"表 users 不存在",模型才可能去查表名或换表。**这条与 ReAct 章节里"错误信息要有信息量"是同一个工程原则。 **第 5 条——安全边界为什么要收到工具内部而不是靠 Prompt?** 因为 **Prompt 约束是软约束,模型可能被诱导绕过;能力约束是硬约束,模型无论怎么想都做不到**。把"允许执行任意 Shell"改成"只允许白名单内命令",等于把安全责任从概率模型手里拿回到了代码手里。 ### Q:这五条原则之间有没有冲突?怎么取舍? A:结论先行——**主要的张力在"单一职责"与"工具数量"之间:拆得太细会让模型面对几十个相似工具而难以选择,合并得太粗又会回到职责混杂;实践中以"描述能否清晰区分"为判断标准**。  *图:工具粒度光谱:过粗、推荐区间与过细* ```text 工具粒度光谱 过粗 ◀──────────────────────────────────────▶ 过细 query_and_analyze(sql, chart_type, send_email) ├─ 权限无法最小化 ├─ 描述清晰、权限清晰 ├─ 工具过多,模型挑花眼 ├─ 一处失败全部重试 ├─ 推荐区间 ├─ 调用轮次增加 └─ 模型无法判断边界 └─ 模型容易正确选择 └─ Schema 占用大量 context ``` **判断标准可以简化为一句话:如果两个工具的描述写出来高度相似、你自己都分不清该用哪个,那就说明粒度拆错了。** 另外要注意**工具数量会占用 Prompt/上下文**(每个工具的 Schema 都要注入),**工具特别多时应考虑按任务场景动态裁剪可用工具集**,而不是一次性把全部工具塞给模型。 ## 四、工具类型与并行调用 ### Q:Agent 常见的工具类型有哪些? A:结论先行——**按能力分四类:信息检索(搜索引擎、RAG 检索、数据库查询、外部 API)、代码执行(Python 解释器、Shell 命令、Notebook)、文件操作(读写文件、PDF/Excel 解析)、通信(发邮件、发 Slack/飞书消息)**。 ```text 信息检索: 搜索引擎(Tavily、SerpAPI) RAG 检索(向量数据库查询) 数据库查询(SQL) API 调用(天气、股票、新闻) 代码执行: Python 解释器 Shell 命令 Jupyter Notebook 文件操作: 读写文件 PDF/Excel 解析 通信: 发送邮件 Slack/飞书消息 ``` **这四类的风险等级差别很大,值得按类做差异化治理**: | 类型 | 副作用 | 主要风险 | 治理重点 | |---|---|---|---| | 信息检索 | 无(只读) | 数据泄露、越权读取、成本 | 权限过滤、结果脱敏、限流 | | 代码执行 | 有(可改环境) | 任意代码执行、资源耗尽 | 沙箱隔离、超时、资源配额 | | 文件操作 | 有(可改数据) | 误删误改、路径穿越 | 路径白名单、只读挂载、备份 | | 通信 | 有(对外可见) | 误发、骚扰、信息外泄 | 发送前确认、频率限制、幂等 | **只读类工具可以相对放宽,有副作用的工具必须收紧**——这是资源投入的优先级依据,而不是所有工具都一视同仁加一堆校验。 ### Q:并行工具调用(Parallel Tool Calling)是怎么工作的? A:结论先行——**模型可以在一次响应里返回多个互不依赖的工具调用(例如同时查北京和上海的天气),应用层并行执行后把多个结果一起回传,从而减少交互轮次、提高效率**。 ```python # GPT-4o 支持一次返回多个工具调用 用户:"北京和上海明天的天气分别怎么样?" LLM 返回两个并行调用: tool_call_1: get_weather(city="北京", date="明天") tool_call_2: get_weather(city="上海", date="明天") 应用层并行执行两个调用,把结果一起返回给 LLM → 减少交互轮次,提高效率 ``` **关键点解读**: - **收益来自"轮次压缩"**:串行两个调用需要两轮 LLM 交互(每轮都有一次完整的模型调用延迟);并行则只需一轮,总延迟约等于两个工具执行时间的较大者。 - **只在工具之间无依赖时才安全**。如果第二个调用的参数依赖第一个的返回(例如"先查订单号,再按订单号查物流"),强行并行会拿到错误参数。 - **工具结果的回传顺序必须与调用顺序对应**,否则模型会把 A 的结果当成 B 的。**每个工具结果都要带上对应的调用标识**,这是并行场景下最容易实现的 bug。 - **并行不改变安全规则**:每个调用仍然要独立走参数校验、权限校验与超时控制。 - **具体是否支持一次返回多个调用、以及最多几个,取决于模型与接口版本,以官方文档和你锁定的版本为准**。 ## 五、工程实践与踩坑 ### Q:如果 LLM 调用了错误的工具或传了错误的参数怎么办? A:结论先行——**在执行层做 Schema、权限和业务规则三重校验;对可恢复错误返回结构化提示,让 Agent 修正后重试;高风险调用应在执行前要求人工确认,绝不能把模型输出直接当作可信命令**。  *图:工具调用的三重校验与错误分支* ```text 模型输出(不可信) │ ▼ ┌─────────────────────────────────────────┐ │ 1. Schema 校验:字段齐全?类型正确?格式对? │ │ 2. 权限校验:当前用户有权调这个工具吗? │ │ 3. 业务规则:金额/范围/频率是否合规? │ └────────────────┬────────────────────────┘ │ 通过 ▼ ┌────────────────┐ 高风险? │ 执行工具 │◀──── 需要人工确认 └────────┬───────┘ ▼ 可恢复错误 → 结构化提示回灌 → Agent 修正重试 不可恢复 → 明确失败 + 上报 ``` **三层校验缺一不可,原因是它们拦的是不同的问题**: - **Schema 校验**拦"格式错"(少字段、类型错、日期格式不对)——这类错误大多可恢复,回灌提示后模型能自己改。 - **权限校验**拦"越权"(普通用户请求退款、跨租户查数据)——这类错误**无论模型怎么重试都不该放行**,必须直接拒绝。 - **业务规则校验**拦"合规问题"(超额、超频、重复提交)——这类错误需要给出明确的业务原因,而不是笼统的"失败"。 **"高风险调用执行前要求确认"这条尤其重要**:删除数据、发起支付、对外发信这类动作,无论模型多有信心,都应该有人工审批环节。**把"模型决定"和"动作执行"之间加一道闸门,是 Agent 落地的安全底线。** ### Q:对有副作用的工具调用,幂等键应该由谁生成、怎么用? A:结论先行——**通常由应用层为一次业务意图生成并持久化,而不是依赖模型临时生成;服务端以该键去重,重复请求返回首次结果,从而避免重试时重复扣款、重复发信或重复创建资源**。 **为什么不能由模型生成?** 因为模型每次调用的输出都可能不同——同一个"给张三退款 100 元"的意图,模型第一次生成 `refund_20250914_a1`,重试时很可能生成 `refund_20250914_b2`,**幂等键一变,服务端就认为是两笔不同的退款,去重完全失效**。 正确做法是把幂等键绑定在"业务意图"上而不是"这次调用"上: ```text 应用层: intent_key = hash(user_id + 业务动作 + 关键参数 + 业务发生时间窗口) → 持久化 intent_key → 作为参数传给工具 服务端: 收到请求先查 intent_key 已存在 → 直接返回首次执行结果(不重复执行) 不存在 → 执行并记录 intent_key 与结果 ``` **关键点是"持久化 + 由服务端去重"两步都要做**:只生成不持久化,应用重启后就丢了;只在应用层去重,多实例部署时压不住并发。**同时要注意,幂等是"业务语义级"的保证——它的粒度应该和业务上"什么算一次"的定义完全一致**,划错了粒度会导致合法的重复操作被误拦,或者该拦的重复没拦住。 ### Q:工具调用还有哪些高频坑? A:结论先行——**五个高频坑:描述含糊导致误选相似工具、参数缺示例导致格式错、错误返回 `None` 导致模型盲目重试、工具输出过长顶爆 Context、把模型输出当可信命令直连高风险系统**。 ```text 坑 1:多个相似工具描述含糊 表现:search_docs 和 search_web 被随机选用 纠正:描述里写清数据源、时效性、适用边界 坑 2:参数没有格式示例 表现:date 传成"明天",后端解析失败 纠正:参数描述给出格式与示例 坑 3:错误返回 None 或裸 Exception 表现:模型反复重试同一个错误参数 纠正:返回"失败原因 + 期望格式",让模型有路可走 坑 4:工具输出过长 表现:一次全表查询顶爆 Context Window 纠正:工具内部先摘要 + 输出长度截断 + 分页 坑 5:直接执行高风险动作 表现:模型幻觉出"删除全部订单"就被真的执行 纠正:权限校验 + 白名单 + 人工确认 + 幂等 ``` **补充一条实践经验**:**坑 1 和坑 2 在模型升级时可能突然暴露**。同一个工具集,换一个基座模型后出现误选、格式错,很可能不是代码问题,而是新模型对描述的理解方式变了。所以**工具描述应该被当作"面向模型的接口文档"来版本化管理,并在换模型时回归测试调用准确率**,而不是写一次就再也不动。 ## 小结 - **工具调用让 LLM 从"只会说"变成"能做事"**,是 Agent 与普通 LLM 最硬的分界线。 - **职责边界必须清晰**:LLM 负责决策(调什么工具、传什么参数),应用层负责执行、校验与安全。 - **模型输出只是建议不是命令**:Schema、权限、业务规则三重校验必须在执行前完成,高风险动作要人工确认。 - **工具定义就是面向模型的接口文档**:名称、描述、参数格式与示例共同决定调用准确率。 - **好的工具设计五原则**:单一职责、描述清晰、参数明确、错误有信息量、安全边界收在代码里。 - **并行调用能压缩轮次**,但仅适用于无依赖的工具;有副作用的调用必须靠应用层生成的幂等键去重。 ## 思考题 1. 如果 LLM 调用了错误的工具或传了错误的参数怎么办? - **参考答案:** 在执行层做 Schema、权限和业务规则校验;对可恢复错误返回结构化提示,让 Agent 修正后重试。高风险调用应在执行前要求确认,不能把模型输出直接当作可信命令。 2. 工具的描述写得不好会导致什么问题? - **参考答案:** 模型会误判适用场景、混淆相似工具、遗漏必填参数或错误理解返回值,进而增加无效调用。描述应说明用途、边界、参数格式、示例和失败语义。 3. 为什么"一个工具只做一件事"通常能提高 Agent 的可靠性? - **参考答案:** 单一职责使名称、输入、输出和权限边界都更明确,模型更容易选择和纠错;也便于审计、测试与最小权限控制。复杂流程应由 Agent 编排多个小工具完成。 4. 对有副作用的工具调用,幂等键应由谁生成并如何使用? - **参考答案:** 通常由应用层为一次业务意图生成并持久化,而非依赖模型临时生成。服务端以该键去重,重复请求返回首次结果,避免重试时重复扣款、发信或创建资源。 5. 并行工具调用在什么情况下不能使用?为什么? - **参考答案:** 当后一个调用的参数依赖前一个调用的结果时(如先查订单号再按订单号查物流)不能并行,否则会以缺失或错误的参数发起调用。并行只适用于彼此独立、互不依赖的工具调用;此外并行不改变安全规则,每个调用仍需独立校验与超时控制。
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入