必须通过meta model api的tool calling机制让muse wonder调用自有api、数据库或硬件，不能在muse code界面点选添加；需严格按三步准备工具定义json schema并嵌入api请求，手动处理tool_calls及响应，注意字符、长度与格式校验。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在生产环境中让Muse Wonder调用你自己的API、数据库或硬件设备，必须通过Meta Model API的tool calling机制完成，不能直接在Muse Code界面里点选添加。
准备工具定义JSON Schema
第一步：用OpenAI兼容格式写出工具描述，字段必须包含name、description、parameters（type为object，properties按实际参数定义）。
第二步：确保parameters中每个必填字段都标注"required"数组，漏写会导致Wonder在调用前拒绝生成参数——它比Claude更严格校验schema完整性。
第三步：把整个JSON对象存为UTF-8编码的纯文本文件，不要带BOM头，否则API返回400错误且不提示原因。
在API请求中启用tool calling
方法一：直接在请求体中嵌入tools数组
向https://api.meta.ai/v1/chat/completions发送POST请求，headers里带上Authorization: Bearer 【你的API Key】，body中必须包含：
"model": "muse-wonder-1.0", "messages": [...], "tools": [刚才写的JSON对象], "tool_choice": "auto"
注意：tool_choice设为"none"会彻底禁用工具调用，即使模型识别出需要调用也不会触发。
处理模型返回的tool_calls
当Wonder决定调用工具时，响应message.content为空，但包含tool_calls数组，每个元素含function.name和function.arguments（字符串格式，不是JSON对象）。
必须手动解析arguments字符串为JSON，再发起真实工具调用；返回结果要原样塞进next request的messages里，role设为"tool"，content是工具返回的原始响应体（字符串或JSON字符串均可）。
这一步不能跳过或简化——Wonder不会自动帮你发HTTP请求，也不支持webhook回调模式，所有工具交互必须由你控制流程。
调试失败的常见卡点
方法1：检查tool response是否含不可见控制字符
如果工具返回的content里有\r\n或零宽空格，Wonder下一轮推理会静默失败，response中不报错也不重试，只返回普通文本回复。
方法2：确认上下文窗口未超限
Muse Wonder虽支持100万token上下文，但单次请求的tools+messages+tool_responses总长度超过80万token时，API直接截断后续内容，且不返回warning字段。
方法3：验证工具返回格式是否匹配最初定义的response_schema
如果你在tools定义里写了"response_schema": {"type": "object"}，但实际返回的是字符串，Wonder会在下一轮把该字符串当作无效输入丢弃，不再尝试解析。
