
普通的大模型只能”说”,不能”做”。Function Calling(函数调用)改变了这一点:它让 AI 判断何时该调用外部工具,并给出规范的参数,由你的程序去执行。这是从”聊天机器人”迈向”AI Agent”的关键一步。
Function Calling 解决什么问题
大模型有几个天生短板:知识有截止日期、不会算精确数学、无法访问你的私有数据、不能操作外部系统。Function Calling 的思路是:模型自己意识到”这事我干不了,得调工具”,然后输出一个结构化的调用请求,你的程序执行后把结果再喂给模型,它据此生成最终回答。
完整流程:四步走
- 定义工具:用 JSON Schema 描述函数名称、作用、参数。告诉 AI 有哪些工具可用。
- 模型决策:用户提问后,模型判断是否需要调工具。若需要,返回函数名和参数(此时并不执行)。
- 程序执行:你的代码拿到函数名和参数,真正调用对应函数(查数据库、请求 API 等),得到结果。
- 结果回灌:把执行结果作为新消息发给模型,它组织成自然语言回答用户。
定义一个工具长什么样
以”查询天气”为例,你给模型一个这样的工具描述:
{
"name": "get_weather",
"description": "查询指定城市的当前天气",
"parameters": {
"city": {"type": "string", "description": "城市名"}
}
}
当用户问”北京今天热吗”,模型会输出:get_weather(city="北京")。注意,模型只是”提出请求”,真正去查天气的是你的程序。
实战要点
- 描述写清楚:description 是模型判断何时调用的关键,写得越准确,调用越靠谱。
- 参数用标准 JSON Schema:标明类型、必填项、枚举值,减少参数错误。
- 处理”不调用”的情况:模型可能判断不需要工具而直接回答,你的程序要做好分支。
- 错误处理要健壮:工具执行失败时,把错误信息也回灌给模型,让它决定重试还是告知用户。
与 MCP、Agent 的关系
Function Calling 是底层能力,MCP 是工具连接的标准协议,Agent 是建立在两者之上的自主系统。可以理解为:Function Calling 给了 AI “手”,MCP 统一了”手”和工具的接口标准,Agent 则是会用这些手完成复杂任务的整体。理解了函数调用,再学 MCP 和 Agent 会顺畅很多。
典型应用
- 智能客服:查订单、退换货、查物流,都通过工具完成。
- 数据分析助手:用户问”上月销售额”,AI 调用 SQL 查询工具取数后回答。
- 个人助理:订日历、发邮件、设提醒,AI 调用对应服务。
总结
Function Calling 让大模型从”知识问答”走向”行动执行”。核心就是四步:定义工具、模型决策、程序执行、结果回灌。它是构建 AI Agent 的基石,掌握它,你就打开了通往智能应用的大门。下一篇可以接着了解 MCP,看看如何把工具连接标准化。
