Function Calling 函数调用
Function Calling（函数调用）是人工智能领域，特别是大语言模型（LLM）应用中的一项关键技术。它允许 AI 模型不仅生成文本，还能主动选择并执行外部定义的函数或工具，以解决超出其内部知识库的问题，或完成需要精确计算、实时数据查询等任务。 简单来说，就是让 AI 学会“调用代码”来干活，而不仅仅是“说话”。 1. 核心概念：AI 如何调用函数？ 在传统的 LLM 交互中，用户输入提示词（Prompt），模型直接生成文本回答。而在 Function Calling 模式下，流程发生了变化： 定义工具：开发者预先定义一组函数（Function Schema），描述这些函数的名称、参数类型、参数含义以及返回值。 模型决策：当用户提问时，模型会根据意图判断：是否需要调用某个函数？如果需要，它会自动生成一个包含函数名称和参数值的结构化请求（通常是 JSON 格式）。 执行与反馈：用户的后端服务器接收到这个请求，执行真实的函数逻辑，获取结果。 模型生成回答：系统将执行结果（如天气数据、搜索结果、数据库记录）传回给模型，模型结合原始问题和执行结果，生成最终的自然语言回答。 2. 为什么需要 Function Calling？ 大模型本身存在一些局限性，通过函数调用可以弥补： 时效性问题：LLM 的训练数据有截止时间，无法知道“现在的天气”或“今天的股价”。通过调用 API，模型可以获取实时数据。 精确计算与逻辑：LLM 在处理复杂数学运算或精确代码执行时容易出错（幻觉）。调用 Python 解释器或计算器函数可以得到 100% 准确的结果。 访问私有数据：企业的数据在内部数据库中，模型无法直接读取。通过调用内部 API，模型可以查询订单状态或用户信息。 控制输出格式：让模型生成结构化的 JSON 数据，而不是长篇大论的文本，便于程序后续处理。 3. 工作流程示例 假设你正在开发一个智能天气助手： 开发者定义函数： 函数名：get_current_weather 参数：location (string), unit (string: “celsius” or “fahrenheit”) 用户提问： “上海现在的气温是多少？用摄氏度表示。” 模型推理与调用： 模型识别到需要查询天气，于是输出如下结构（JSON）： { "name": "get_current_weather", "arguments": { "location": "上海", "unit": "celsius" } } 后端执行： 你的代码解析出 JSON，调用真实的天气 API，得到结果：{"temp": 24, "status": "sunny"}。 ...