「Function call 怎么训练的？怎么微调的？」——这道题最常见的答案是「准备一批问答对，做 SFT」。答到这里就断了：数据从哪来、除了正样本还要什么、合成数据和真实日志怎么选，一个都接不上。
丢分的根源是把它当成了普通对话训练。Function Call 的训练数据不是一问一答的集合，而是带完整轨迹的任务样本集——工具怎么注册、对话怎么演进、调用错在哪、怎么修正，都在轨迹里。
先说结论
构建思路是「先定训练目标，再配数据形态」：围绕工具选择、参数绑定、格式化、多轮修正四个能力，组织正样本、负样本、拒绝样本和纠错轨迹；合成数据负责覆盖面，真实日志负责贴近线上分布；最后按错误层次决定投入——格式问题修工程，知识问题 LoRA 轻训，行为问题 SFT 加 DPO。
图：小蓝图解——训练数据的三类托盘：正样本、难例、合成。
四个训练目标，四种样本形态
模型要学会的不是「输出一段 JSON」，而是四个能力，每个能力对应不同的样本形态：
| 能力目标 | 模型要学会什么 | 对应样本形态 |
|---|---|---|
| 工具选择 | 候选里挑对工具；无工具可用时拒答 | 带干扰工具的候选集样本；明确的拒绝样本 |
| 参数绑定 | 取值从上下文和工具返回里来，不编造 | 取值来源可追溯的调用；缺值时先澄清的样本 |
| 格式化 | 稳定产出合法调用格式 | 覆盖长参数、嵌套结构、边界值的格式样本 |
| 多轮修正 | 依赖前序结果；报错后修正再试 | 失败、报错、修正、成功的完整轨迹 |
美团篇还有一道配套题：「Function call怎么把下游的一些工具，插件变成模型可以理解的方式？」（AgentAlpha 面试题库 · 美团篇）——训练数据就是这道题的答案实体：每条样本把工具注册信息、对话历史、该产出的调用对齐成一条轨迹，这个对齐本身就是「翻译」。
正样本之外，难例才是分水岭
只用成功轨迹训练，模型学到的先验是「每问必调、一调就对」。线上从来没有那种世界。
要刻意构造四类样本：
- 无效调用样本：参数越界、调用不存在的工具，让模型学会看到报错后修正，而不是硬编下去；
- 拒绝样本：请求超出工具能力时明确说做不到。没有这类样本，模型会把「答不了」扭曲成一个看起来像样的错误调用；
- 歧义难例：多个工具都能完成任务。字节篇考过标签设计：「一个 Query 有两个正确工具时，训练标签如何设计才不会惩罚合理策略？」（AgentAlpha 面试题库 · 字节篇）两种正解：一条样本挂多个参考答案，任一命中算对；或者把选择做成偏好数据，不设唯一标签；
- 纠错轨迹：真实任务里完整的失败、修正、成功过程，这是多轮修正能力的唯一来源。
配比没有万能数字，原则只有一条：难例配比跟着线上错误分布走。日志里参数类错误占大头，训练集里参数难例就该占大头，闭门造车的配比只是自我安慰。字节篇把字段级要求也考了：「工具调用训练数据应该包含哪些字段？无效调用和拒绝调用样本怎样构造？」（AgentAlpha 面试题库 · 字节篇）
合成数据与真实日志的取舍
两条来路各有分工。
合成数据的优势是快、覆盖广、能定向补难例；风险是分布偏置——用模型生成数据再教模型，等于让一个学生的错题本来自另一个学生的错题本，口味会自我强化，难度也难控。
真实日志贴近线上分布，但脏：要脱敏、去重，还要剔除偶然成功——那次调用碰巧对了，不代表策略可复制。字节篇考过筛法：「如何从线上轨迹中筛选 Agent RL 数据，避免把偶然成功当成优质样本？」（AgentAlpha 面试题库 · 字节篇）
大规模合成的代表是 ToolLLM：从上万条真实 API 的文档出发，自动生成多样的工具调用指令，覆盖单工具与多工具链场景；配一个 API 检索器为每条指令缩小候选范围，再用这些数据微调出 ToolLLaMA；配套的 ToolEval 用通过率和胜率做自动评测，论文报告这个开源模型在评测上接近当时 ChatGPT 的工具调用水平。它验证了两件事：合成数据足以把工具调用能力教到可用；评测集必须独立于合成管线——不然就是既当运动员又当裁判。
字节篇的这道题就是合成管线的验收清单：「合成训练数据如何做质量过滤、难度分层和去重？」（AgentAlpha 面试题库 · 字节篇）——事实校验对齐真实 API 文档，按难度分层做课程，按语义去重防止模板复读。
LoRA 轻训还是 SFT 加 DPO 重训
先说名词：LoRA 是只训练少量附加参数的低成本微调；SFT 是用标注样本做监督微调；DPO 是直接拿成对偏好数据调行为、不需要另训奖励模型的方法。
按错误层次决定投入：
| 问题层次 | 现象 | 值得的投入 |
|---|---|---|
| 工程层 | 格式偶尔不合法、参数没人校验 | 校验层加报错重试，不用训练 |
| 知识层 | 选错工具、参数幻觉率高 | SFT 或 LoRA，喂领域工具的正负样本 |
| 行为层 | 该拒绝不拒绝、多工具该选谁摇摆 | SFT 之后接 DPO，用偏好数据校行为 |
边界判断只有一句话：先确认错误不是工程层造成的，再谈训练。Schema 含糊、没有校验层造出来的错误，样本再多也教不会模型——你只是把工程债训进了参数，这是最贵也最冤的修法。
阿里篇把这组要求合成一题：「工具调用模型的训练集应包含哪些正例、负例、拒绝例和纠错轨迹？」（AgentAlpha 面试题库 · 阿里篇）——能按这四类报出样本形态和构造方法，这道题就过线了。
面试迁移
追问预测：
- 「合成数据怎么防止越训越偏？」——事实校验对齐真实 API 文档；评测集独立于合成管线；难度分层避免全是简单样本；
- 「训练标签遇到多解怎么办？」——多参考答案或偏好对，不给唯一标签；
- 「怎么判断该训练了而不是该修工程？」——错误归因：换 Schema 表述、加校验层能消掉的错误，不该进训练集。
容易扣分的说法：「SFT 一把梭」「数据越多越好」。前者忽略行为层需要偏好数据；后者忽略脏数据的伤害比缺数据大。
要点复盘
- 数据形态是带完整轨迹的任务样本，不是一问一答；
- 四个训练目标：工具选择、参数绑定、格式化、多轮修正，各有对应样本；
- 必配四类非正样本：无效调用、拒绝、歧义难例、纠错轨迹，配比跟线上错误分布走；
- 合成数据管覆盖，真实日志管分布，评测集必须独立于合成管线；
- 训练投入按错误层次走：工程层修代码，知识层 LoRA 或 SFT，行为层上 DPO。
参考答案要点
Function Call 的训练数据围绕四个能力构造：会选工具、会绑参数、会排格式、会在多轮里修正，形态是带完整轨迹的多轮样本。正样本之外必须刻意造难例：无效调用、拒绝样本、多工具歧义的偏好数据、失败后修正的轨迹，配比跟着线上错误分布走。数据来源两条腿：合成数据保覆盖面，但要事实校验和难度分层；真实日志贴近分布，但要去重、脱敏、剔除偶然成功。常见的坑是把工程债训进模型——Schema 含糊和缺校验造成的错误，训练救不了，先修工程。投入边界：知识层错误 LoRA 或 SFT 轻训就够，行为层问题才上 DPO。