从 Function Calling 到 RAG：AI 应用开发的三把钥匙

你是否好奇 ChatGPT 是怎么联网搜索的？AI 助手怎么能调用外部工具？知识库问答系统背后是什么原理？这篇文章带你搞懂 Tools、Function Calling、RAG 这三个核心概念。

一、为什么 LLM 需要"外挂"？

大语言模型（LLM）本质上是一个文本预测机器，它的知识来自训练数据，有两个天然缺陷：

知识截止日期：不知道最新发生的事
无法执行操作：不能查数据库、不能发邮件、不能调 API

为了突破这两个限制，业界发展出了三种核心技术：Tools（工具调用） 、Function Calling 、RAG（检索增强生成）。

二、Function Calling：让 AI 学会"打电话"

是什么？

Function Calling 是 OpenAI 在 GPT-3.5/4 中引入的能力，允许你预先定义一批函数，让模型在合适的时机决定调用哪个函数、传什么参数。

工作流程

javascript 复制代码

用户提问 → LLM 判断需要调用函数 → 返回函数名+参数（JSON）
→ 你的代码执行函数 → 把结果返回给 LLM → LLM 生成最终回答

注意：LLM 本身不执行函数，它只是告诉你"我需要调用这个函数，参数是这些"，真正执行是你的代码。

代码示例

javascript 复制代码

const tools = [
  {
    type: "function",
    function: {
      name: "get_weather",
      description: "获取指定城市的天气",
      parameters: {
        type: "object",
        properties: {
          city: {
            type: "string",
            description: "城市名称，如：北京"
          }
        },
        required: ["city"]
      }
    }
  }
];

// 第一次请求：让模型决定是否调用函数
const response = await openai.chat.completions.create({
  model: "gpt-4",
  messages: [{ role: "user", content: "北京今天天气怎么样？" }],
  tools: tools,
  tool_choice: "auto"
});

// 模型返回：需要调用 get_weather，参数 city="北京"
const toolCall = response.choices[0].message.tool_calls[0];
const args = JSON.parse(toolCall.function.arguments);

// 你的代码执行真实的天气查询
const weatherResult = await getWeather(args.city);

// 第二次请求：把结果告诉模型，让它生成回答
const finalResponse = await openai.chat.completions.create({
  model: "gpt-4",
  messages: [
    { role: "user", content: "北京今天天气怎么样？" },
    response.choices[0].message,
    {
      role: "tool",
      tool_call_id: toolCall.id,
      content: JSON.stringify(weatherResult)
    }
  ]
});

三、Tools：Function Calling 的进化版

区别在哪？

对比项	Function Calling	Tools
出现时间	较早	较新（统一标准）
支持类型	仅函数	函数 + 代码解释器 + 文件检索等
并发调用	单个	支持同时调用多个
适用场景	简单工具调用	复杂 Agent 场景

简单说：Tools 是 Function Calling 的超集 ，现在 OpenAI 官方推荐统一用 tools 参数。

多工具并发示例

javascript 复制代码

// 模型可以同时决定调用多个工具
// 比如用户问："帮我查北京天气，顺便查一下明天的日历安排"
// 模型会同时返回两个 tool_call，你并发执行后一起返回结果

四、RAG：给 AI 装上"私人图书馆"

是什么？

RAG（Retrieval-Augmented Generation，检索增强生成）解决的是另一个问题：如何让 AI 回答基于你私有数据的问题。

比如：

公司内部文档问答
产品手册智能客服
个人知识库助手

核心流程

复制代码

离线阶段（建库）：
文档 → 切片 → Embedding（向量化）→ 存入向量数据库

在线阶段（查询）：
用户提问 → 问题向量化 → 向量数据库相似度检索
→ 取出相关文档片段 → 拼入 Prompt → LLM 生成回答

关键概念解释

Embedding（向量化）

把文字转换成一串数字（向量），语义相近的文字，向量距离也近。

javascript 复制代码

// 用 OpenAI Embedding API 把文本转成向量
const embedding = await openai.embeddings.create({
  model: "text-embedding-3-small",
  input: "如何申请年假？"
});
// 返回一个 1536 维的数字数组

向量数据库

专门存储和检索向量的数据库，常见的有：

Chroma（本地，适合开发）
Pinecone（云端，生产推荐）
Milvus（开源，高性能）
pgvector（PostgreSQL 插件）

简单 RAG 实现思路

javascript 复制代码

// 1. 建库：把文档切片并存入向量库
async function buildIndex(documents) {
  for (const doc of documents) {
    const chunks = splitText(doc, 500); // 每500字切一片
    for (const chunk of chunks) {
      const vector = await getEmbedding(chunk);
      await vectorDB.insert({ text: chunk, vector });
    }
  }
}

// 2. 查询：检索相关片段 + 让 LLM 回答
async function ragQuery(question) {
  const questionVector = await getEmbedding(question);
  const relevantChunks = await vectorDB.search(questionVector, topK=3);
  
  const context = relevantChunks.map(c => c.text).join("\\n\\n");
  const prompt = `
    根据以下资料回答问题，如果资料中没有相关信息，请说"我不知道"。
    
    资料：
    ${context}
    
    问题：${question}
  `;
  
  return await llm.chat(prompt);
}

五、三者的关系与组合使用

javascript 复制代码

用户
 │
 ▼
Agent（智能体）
 ├── Tools/Function Calling → 调用外部 API、执行代码、操作数据库
 └── RAG → 检索私有知识库、历史对话记忆

实际项目中的典型组合：

智能客服 = RAG（产品文档）+ Function Calling（查订单、退款）
AI 编程助手 = RAG（代码库）+ Tools（执行代码、搜索文档）
个人助理 = RAG（个人笔记）+ Tools（查日历、发邮件）

六、学习路径建议

初学者路线：

先跑通一个 Function Calling 的 Hello World
用 LangChain 或 LlamaIndex 快速搭一个 RAG Demo
理解向量和 Embedding 的概念

进阶路线：

手写 RAG 流程，不依赖框架
研究 Rerank（重排序）提升 RAG 准确率
探索 Agent 框架（LangGraph、AutoGen）

总结

技术	解决的问题	核心机制
Function Calling	AI 无法执行操作	模型输出结构化调用指令
Tools	复杂多工具场景	Function Calling 的超集
RAG	AI 不知道私有数据	检索 + 生成

这三个技术是构建实用 AI 应用的基础，掌握了它们，你就能从"玩 ChatGPT"升级到"构建 AI 应用"。