Parallel 并行工具调用

并行函数调用 (Parallel Function Calling) 是一种允许大模型在单次生成步骤中同时输出多个相互独立的工具调用请求（即在 `tool_calls` 列表中同时返回多个包含不同唯一 `id` 的调用声明，如同时请求北京、上海、东京三地的天气）的先进推理能力；宿主程序接收后能够利用异步并发（如 Python `asyncio.gather()` / 多线程）并行发起所有网络 IO 操作，并在获取全部结果后一次性组装返回给模型。

批量数据抓取、跨多个独立微服务并行查询、同时检索不同数据源以及多商品比价。

早期单步工具调用面对 $N$ 个无依赖任务时必须串行循环交互 $N$ 次（即 提问 -> 调工具 1 -> 返回结果 -> 调工具 2 -> 返回结果 ...），造成 $N$ 次 LLM 推理延迟与网络往返开销；并行调用将多步 IO 压缩为单次并发，整体执行延迟降低 70%~90%。

详细剖析大模型在单次生成中输出多个 `tool_calls` 数组项时，如何确保各个调用之间的参数完全解耦？

宿主异步执行引擎（如 Python `asyncio.gather(*[execute_tool(call) for call in tool_calls])`）的并发调度与异常捕获策略？

当并行调用的某一个工具超时或抛出 500 异常时，如何将其余成功结果与单项错误信息完整拼装返回而不阻塞流程？

如何通过在 API 请求中设置 `parallel_tool_calls: false` 显式禁用并行调用以强制模型执行严格的串行依赖排期？

在流式输出 (Streaming Tool Calls) 中，如何基于 `index` 字段实时还原多个并发工具调用的分块 JSON 参数？