AI产品面试题：什么是 Function Calling？

总结

模型的能力仅限于"回答",不具备调用本地函数做出额外动作的能力，Function Calling的主要作用是赋予大模型调用本地函数的能力
和Agent的关系，Agent 底层通常就是基于 Function Calling 实现的
和prompt的区别是：prompt是让模型"尽量按格式输出" ，cunction calling则是模型被强制输出结构化格式，区别在于稳定些
和MCP的区别： Function Calling = 模型调用本地函数，MCP = 标准化"外部工具调用协议"

什么是 Function Calling？

Function Calling（函数调用） 是指：

👉 让大模型在对话过程中，按照你预定义的函数结构，自动生成可执行的函数参数 JSON，由你的程序去真正执行逻辑。

简单说一句话：

模型负责"决定调用什么函数 + 生成参数"，

你的程序负责"真正执行函数"。

为什么会有 Function Calling？

原始大模型只能输出文本。

比如你问：

帮我查一下杭州属于哪个省

模型能回答：

杭州属于浙江省

这是他训练的数据里面就有的，所以他能回答

但如果咱们问：

杭州明天天气怎么样

模型只能回答：

不知道/或者编一个答案给你

因为这组数据，他的训练数据里面没有，天气这种数据，一般都是实时产生的，不能作为固定数据提前训练进去。试试天气，一般是一些服务商提供查询api，才能获取到。而大模型本身，并不具备主动调用查询api的能力，或者说，它的能力仅限与"回答"

这就有了一个问题，如果我想问大模型此类问题，有什么办法吗

有！把天气的方法提前写到程序里，然后检测问题，最后让模型去调用这个方法不就行了

所以核心问题就是：怎么让模型主动调用你系统里的真实函数？

这就是 Function Calling 解决的问题。

它的工作流程

假设你在系统里定义了一个函数：

json 复制代码

{
  "name": "getWeather",
  "description": "获取某城市的天气",
  "parameters": {
    "type": "object",
    "properties": {
      "city": {
        "type": "string",
        "description": "城市名称"
      }
    },
    "required": ["city"]
  }
}

PS:重点，这个函数是你在你自己的系统里定义的，不是模型里面内置的

用户输入

今天杭州天气怎么样？

模型不会返回文本，而是返回：

假定你的提示词里面存在这么一句话:

如果检测到输入有提问天气情况的，请按如下xxx格式给他返回，其中function_call.name字段是为字符串：getWeather,function_call.arguments.city为输入中询问的城市名称，如果没有城市，默认返回xxxxx

然后模型检测到你询问天气，则会返回如下：

json 复制代码

{
  "function_call": {
    "name": "getWeather",
    "arguments": {
      "city": "北京"
    }
  }
}

注意:此时，属于模型的工作就算结束了，他已经回答了问题，剩下的就靠我们自己的先前定义的函数了。

然后我们的后端：

识别到固定格式，识别到name === getWeather（此时你的代码中有那么一段代码）

ini 复制代码

    if(function_call.name === 'getWeather'){
        this.getWeather(function_call.arguments.city)
    }

真正调用 getWeather("北京") 3. 拿到真实天气数据 4. 再把结果喂回模型生成最终回答

代码实例

说半天，如果还是觉得有些迷糊，可以仔细理解下下面的代码实例

js 复制代码

import OpenAI from "openai";
import dotenv from "dotenv";

dotenv.config();

const openai = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
});

/**
 * 你自己系统里的真实函数
 * （真实项目里这里会调用天气 API）
 */
async function getWeather(city) {
  console.log("🌦 正在调用真实天气接口...");

  // 模拟接口返回
  return {
    city,
    temperature: "12°C",
    weather: "多云",
  };
}

async function run() {
  const userInput = "今天杭州天气怎么样？";

  // 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-4o-mini",
    messages: [
      {
        role: "user",
        content: userInput,
      },
    ],
    tools: [
      {
        type: "function",
        function: {
          name: "getWeather",
          description: "获取某城市的天气",
          parameters: {
            type: "object",
            properties: {
              city: {
                type: "string",
                description: "城市名称",
              },
            },
            required: ["city"],
          },
        },
      },
    ],
  });

  const message = response.choices[0].message;

  // 如果模型决定调用函数
  if (message.tool_calls) {
    const toolCall = message.tool_calls[0];

    const functionName = toolCall.function.name;
    const args = JSON.parse(toolCall.function.arguments);

    console.log("🤖 模型决定调用函数:", functionName);
    console.log("📦 参数:", args);

    // 执行真实函数
    let result;

    if (functionName === "getWeather") {
      result = await getWeather(args.city);
    }

    // 第二次请求 ------ 把函数结果喂回模型
    const secondResponse = await openai.chat.completions.create({
      model: "gpt-4o-mini",
      messages: [
        { role: "user", content: userInput },
        message, // 模型的 function_call 信息
        {
          role: "tool",
          tool_call_id: toolCall.id,
          content: JSON.stringify(result),
        },
      ],
    });

    console.log("\n✅ 最终回答：");
    console.log(secondResponse.choices[0].message.content);
  } else {
    console.log("模型未调用函数：");
    console.log(message.content);
  }
}

run();

核心本质

Function Calling 本质是：

让模型输出 结构化 JSON，而不是自然语言。

模型不是直接执行函数。
它只是一个"决策器 + 参数生成器"。

和 Agent 的关系

很多人会混淆：

Function Calling = 能调用一个函数
Agent = 能根据任务多步调用函数 + 规划步骤

Agent 底层通常就是基于 Function Calling 实现的。

和 MCP 的关系

如果你最近在研究 MCP

简单理解：

Function Calling = 模型调用本地函数
MCP = 标准化"外部工具调用协议"

MCP 可以看作：

Function Calling 的协议升级版本 + 工具生态标准化

实际工程中的常见场景

1.查数据

查订单
查用户余额
查数据库

2.执行动作

创建任务
发邮件
发推文（你之前提过 Twitter API 一键发图，这种就很适合）

3.调外部 API

天气
股票
地图
AI工具链

优势

输出稳定（结构化 JSON）
参数可控（强类型约束）
可自动化执行
可组合为 Agent

和 Prompt 工程的区别

Prompt 工程是：

让模型"尽量按格式输出"

Function Calling 是：

模型被强制输出结构化格式

稳定性完全不同。

最后

如果对你有用的话~