什么是Function Calling?

1. 概述

Function Calling 是大语言模型（LLM，例如 GPT 系列）提供的一种机制，使模型能够在对话过程中调用外部函数、API 或本地方法。

它解决了模型 只会回答、不知道外部世界最新信息 的局限，让 LLM 从"聊天助手"变成"可操作的智能代理"。

2. 工作原理

基本流程

开发者注册函数
- 定义函数名称、描述（description）、参数结构（parameters）。
用户发起自然语言请求
- 模型分析语义。
模型决定是否调用函数
- 如果与函数描述匹配 → 输出 JSON 调用请求。
- 如果能直接回答 → 直接输出自然语言。
系统执行函数
- 根据 JSON 参数调用外部逻辑/API。
返回结果给模型
- 模型基于结果生成用户可读的回答。

3. 函数描述的作用

函数描述（description + parameters）相当于 本地的 Prompt，指导模型何时使用函数、如何构造参数。

例如：

json 复制代码

{
  "name": "getWeather",
  "description": "获取指定城市和日期的天气情况（气温、晴雨、多云、雪）。当用户提到天气、气温、冷热、是否下雨时调用。",
  "parameters": {
    "type": "object",
    "properties": {
      "city": { "type": "string", "description": "城市名称，例如 北京" },
      "date": { "type": "string", "description": "日期，格式 YYYY-MM-DD" }
    },
    "required": ["city"]
  }
}

description → 像局部 Prompt，告诉模型什么时候用。
parameters → 约束输入，避免模型乱传参。

4. 识别机制

模型判断是否调用函数，主要依赖以下三点：

函数描述（本地 Prompt）
- 描述越清晰，调用越精准。
用户语义
- 模型先理解用户输入，再匹配函数用途。
上下文/系统 Prompt
- 可以在系统消息中指导模型"仅在必要时调用函数"。

5. 设计函数描述的最佳实践

明确用途
- 写清楚函数能解决什么问题。
触发条件
- 描述用户可能使用的关键词或场景。
参数语义化
- 给每个参数写清楚含义、示例。
避免模糊
- 不要只写"天气查询"，要写"气温、晴雨、多云、雪"。
覆盖常见问法
- 例如天气函数可以提及"天气、气温、冷热、下雨"。

6. 示例

例 1：查询天气

用户：

"北京明天会下雨吗？"

模型输出调用：

json 复制代码

{
  "name": "getWeather",
  "arguments": { "city": "北京", "date": "2025-09-03" }
}

系统执行 API → 返回：

json 复制代码

{ "temperature": 28, "condition": "小雨" }

模型回答：

北京明天 28°C，有小雨。

例 2：查订单状态

用户：

"订单 12345 的物流情况？"

模型输出调用：

json 复制代码

{
  "name": "getOrderStatus",
  "arguments": { "orderId": "12345" }
}

7. 总结

Function Calling = 模型调用外部函数的机制
函数描述 = 本地 Prompt，决定模型是否、如何调用函数
本质：自然语言理解 → 函数选择 → 参数生成 → 系统执行 → 结果转化

它让 LLM 从"会聊天"升级为"会办事"，是构建智能应用的关键能力。