Tool-Call Accuracy（工具调用准确率），衡量的是模型在需要调用外部函数时，究竟有多少次"叫对了工具、填对了参数"。它是 AI 词典：Function Calling">Function Calling（函数调用）能力的量化指标，比模型能否输出一段合法 JSON 更贴近真实业务。
拆开看，它其实是三道关
一次成功的工具调用要连过三关，任何一关失手都算一次失败：
| 环节 | 典型错误 | 生活化对应 |
|---|---|---|
| 调用时机 | 本该查库存却凭记忆瞎答，或闲聊时乱调工具 | 该打电话确认却自己拍脑袋 |
| 工具选择 | 有 search_order、search_user 两个工具，选错 | 拿病历本去取快递 |
| 参数填写 | 工具对了，但城市写成"北京"而用户要的是"北京朝阳"，或漏了必填时间范围、类型写成字符串 | 单子填对了，备注写错 |
| 结构合法 | 输出不是合法 JSON，或不符合工具的 JSON Schema | 表格格式不规范，系统录不进去 |
关键在于：前三关是语义正确，最后一关只是格式正确。一段完美的 JSON 里填了个错订单号，格式分满分，业务分零分。所以成熟的评测会把"解析成功率"和"语义准确率"分开统计，像漏斗一样逐层看流失。
打个比方
就像餐厅点单：客人说"少冰、不加糖的冰美式"。服务员要写对菜名（选工具）、写对两条备注（填参数）、并且真的把单子递进后厨（调用时机）。写错菜名和漏写备注，对客人的伤害是一样的；而单子字迹潦草到后厨看不懂，属于格式问题——一种更"低级"但同样致命的失败。
和几个近邻的区别
- 和 Answer Accuracy（答案准确率）：后者是端到端指标。工具调用对了答案未必对（工具本身返回错数据），但工具调用错了答案几乎必错，所以前者更适合定位问题。
- 和 JSON Schema 合规率：合规只是入场券，不保证选对、填对。
- 和 Hallucination Rate（幻觉率）：幻觉是"编"，工具调用错误是"做错"。一个爱编造的模型往往会跳过工具直接答。
vLLM 这条链路上的三个影响点
在 vLLM 这类推理引擎里，有三处会直接影响这个指标：
1. 工具解析（tool parser）。模型输出的是文本，解析器负责把它变成结构化的 tool_calls。解析器和模型输出的格式风格不匹配时，模型明明想调工具，却被当成普通回答丢掉——准确率凭空下跌，且很难从日志看出来。
2. 约束解码（guided / structured decoding）。用语法或 JSON Schema 约束采样，能显著提高"结构合法"这一关的通过率。但它只约束 token 层面的形状，管不了你选哪个工具、填什么值；约束过紧还可能挤压模型的思考空间。格式对了、语义仍错，是常见组合。
3. 回归测试。换模型、换解析器、改 chat template、升级引擎、调整系统提示词、开关约束解码——任何一项变动都可能悄悄拉低准确率。需要一套固定用例集，且必须包含难例：多个高度相似的工具、超长 ID 类参数、需要引用上一轮结果的调用。以官方文档为准确认解析器与模型的适配关系。
对你意味着什么
如果你是做 Agent 的从业者，这个指标应当取代"模型榜单分数"成为你的主看板，并且按上面三道关分层统计，才能知道该改提示词、改工具描述，还是加参数校验。
如果你只是使用者，看到智能助手办错事时，先分清是"选错工具"还是"填错参数"——前者通常要改工具说明和示例，后者加一道人工确认就能挡住大部分损失。