---

函数调用（Function Calling）的诞生背景

2023年6月，OpenAI在GPT-4上推出了Function Calling：模型不仅能生成文本，还能输出一个结构化的函数调用请求，指定要调用的函数名和参数。

这意味着什么？在此之前，让LLM“做事情”是极其别扭的——你需要设计复杂的Prompt诱导模型输出特定格式的文本，然后用正则表达式去解析这个文本，稍有不慎就解析失败。

Function Calling让这件事变成了模型的原生能力：

{
  "tool_call": {
    "name": "get_weather",
    "arguments": {
      "city": "北京",
      "date": "2026-08-25"
    }
  }
}

模型不再“模拟”调用工具，而是真正输出一个可执行的调用指令。这就像给学者装上了一个标准的“手部接口”——从此以后，只要能连接到这个接口的工具，他都能用。随后，Claude、Gemini、Llama等主流模型都跟进提供了类似能力。工具调用的标准化，是Agent从理论走向工程实践的基石。

什么是函数调用（Function Calling）？

函数调用（Function Calling），也称为工具调用（Tool Calling），是现代大语言模型（LLM）的一项重要能力。它允许模型在对话过程中识别用户意图，并生成结构化的函数调用指令，从而与外部系统、API 或工具进行交互。

为什么需要函数调用（Function Calling）？

大语言模型虽然拥有丰富的知识，但存在以下局限性：

局限性	说明	函数调用的解决方案
知识时效性	训练数据有截止日期，无法获取实时信息	调用搜索引擎、新闻 API 等获取最新数据
计算能力	复杂数学计算可能出错	调用计算器、代码执行器等工具
数据访问	无法访问私有数据库或内部系统	调用数据库查询接口、内部 API
执行能力	只能生成文本，无法执行实际操作	调用发送邮件、创建订单等执行类 API

大模型的三个主要局限性

知识的局限性：大模型是在一个巨大的静态数据集上训练的。这意味着它们的知识是有限且过时的。它们不知道现在实时的天气、最新的新闻、某只股票的实时价格，或者你个人日历上的日程安排。

能力的局限性：大模型本质上是一个“文本生成器”。它能处理语言，但它无法执行实际的操作。它不能真的发送一封电子邮件、在数据库中查询数据、或者在你的设备上设置一个闹钟。

精确性的局限性：虽然大模型擅长生成连贯的文本，但对于需要精确、结构化数据的任务，比如查询一个地址，它们可能会出现幻觉（Hallucination），也就是编造信息。

函数调用（Function Calling）的工作流程

第一步：开发者定义和提供工具（Functions）

在最开始，你需要告诉大模型它有哪些“工具”可用。这就像你给一个助手一个工具箱，并告诉他每个工具的作用。

第二步：大模型响应，返回函数调用指令

当用户提出一个请求（例如：“北京现在多少度？”），大模型接受请求后，会识别出它需要调用一个外部工具来获取信息。它的响应不会是常规的文本回复，而是一个结构化的函数调用参数。

第三步：客户端调用外部工具

这是整个流程中最关键的步骤。客户端在接收到大模型的响应之后，需要完成检查响应、解析指令、执行函数、调用实际的函数/API，获取结果。

第四步：发送结果并获取最终回复

这一步的核心任务是将执行结果发回模型，模型生成最终的自然语言回复。大模型接收到所有这些信息后，会利用函数执行的结果，生成一个自然流畅的最终回复给用户：“背景现在晴朗，气温是34°C。”

函数调用（Function Calling）的工作流程示意图

---

---