docs(ai): 新增大模型结构化输出详解文章

添加《大模型结构化输出详解：JSON Schema、Function Calling 与工具调用》
文章，涵盖 Schema 设计、服务端校验、工具分发和安全治理等核心内容。

Author: Snailclimb

docs/.vuepress/sidebar/ai.ts

@@ -9,6 +9,10 @@ export const ai = arraySidebar([
     children: [
       { text: "万字拆解 LLM 运行机制", link: "llm-operation-mechanism" },
       { text: "大模型 API 调用工程实践", link: "llm-api-engineering" },
+      {
+        text: "大模型结构化输出详解",
+        link: "structured-output-function-calling",
+      },
       { text: "AI 编程开放性面试题", link: "ai-ide" },
     ],
   },

docs/ai/README.md

@@ -36,6 +36,8 @@ head:
 
 搞懂原理后，还需要知道怎么把这些模型调用落地到生产。[《大模型 API 调用工程实践》](./llm-basis/llm-api-engineering.md)系统拆解了一条完整的调用链路：业务入口 → Prompt 组装 → 模型网关 → 流式响应 → 重试限流 → 结构化返回，从 Demo 到生产级应用的核心知识点全覆盖。
 
+[《大模型结构化输出详解》](./llm-basis/structured-output-function-calling.md)深入拆解 JSON Schema、Function Calling、Tool Calling 与 MCP 的底层链路，结合 Java 后端示例讲清楚 Schema 设计、服务端校验、工具分发和安全治理。
+
 ### 2. AI Agent 知识体系
 
 AI Agent 是当下最热的方向，但网上的资料要么太浅要么太散，很难串起来。[《一文搞懂 AI Agent 核心概念》](./agent/agent-basis.md)把 Agent 从 2022 到 2025 年的六代进化史梳理了一遍，讲清楚 Agent 和传统编程、Workflow 的本质区别，以及 Agent Loop、Context Engineering、Tools 注册这些核心概念。
@@ -93,6 +95,7 @@ AI 编程工具正在改变开发者的工作方式，面试也开始问了：
 
 - [万字拆解 LLM 运行机制：Token、上下文与采样参数](./llm-basis/llm-operation-mechanism.md) - 深入剖析大模型底层原理，把 Token、上下文窗口、Temperature 等概念还原为清晰、可控的工程概念
 - [大模型 API 调用工程实践：流式输出、重试、限流与结构化返回](./llm-basis/llm-api-engineering.md) - 系统拆解 AI 应用调用大模型 API 的生产链路，覆盖流式输出、重试、限流、结构化返回与 Java 后端落地
+- [大模型结构化输出详解：JSON Schema、Function Calling 与工具调用](./llm-basis/structured-output-function-calling.md) - 深入拆解 JSON Schema、Function Calling、Tool Calling 与 MCP 的底层链路，结合 Java 后端示例讲清楚 Schema 设计、服务端校验、工具分发和安全治理
 - [AI 编程开放性面试题](./llm-basis/ai-ide.md) - 7 道高频开放性面试问题，涵盖 AI 编程 IDE 使用技巧、AI 对后端开发的影响等
 
 ### AI Agent