【AI面试临阵磨枪-29】什么是 Function Calling？与手动解析 LLM 输出的区别？

一、面试题目

请你解释一下什么是 Function Calling（函数调用）？它和我们手动解析 LLM 输出的 JSON 有什么区别？

二、知识储备

1. Function Calling 核心定义

Function Calling（函数调用） 是大模型（如 GPT、文心一言、通义千问）原生支持的结构化输出能力 。开发者提前把函数名、参数、功能描述 告诉 LLM，当用户提问需要调用工具 / 接口时，LLM 不会直接回答 ，而是严格按照约定格式返回可执行的函数 + 参数，由程序自动调用并返回结果给 LLM 做最终回答。

核心作用：让 LLM 安全、精准、标准化地调用外部工具（查询天气、查数据库、计算、发请求）。

2. 手动解析 LLM 输出（原生 Prompt 解析）

通过写 Prompt 让 LLM 返回固定格式（如 JSON），然后程序用 json.parse 解析，再调用函数。

3. 核心区别（面试必背）

① 输出稳定性

Function Calling ：模型原生保证格式正确，几乎不会出错、不会乱码、不会漏字段。
手动解析：格式不可控，偶尔缺逗号、少引号、结构错乱，直接导致程序崩溃。

② 意图识别能力

Function Calling ：模型精准判断什么时候该调用、调用哪一个，支持多函数自动路由。
手动解析：靠 Prompt 硬约束，容易误判、漏判、多判。

③ 参数填充

Function Calling：自动补全必填参数、自动校验类型（int/str）、自动追问缺失信息。
手动解析：容易参数缺失、类型错误、格式不匹配。

④ 安全性

Function Calling ：输出严格隔离，不会注入、不会执行恶意内容。
手动解析：存在注入风险、格式污染风险。

⑤ 多工具支持

Function Calling：同时注册几十个工具，模型自动选择最优。
手动解析：工具越多越容易混乱。

4. 适用场景

Function Calling 适用

AI Agent
工具调用（查天气、查订单、发邮件、查数据库）
插件系统
需要高稳定性、高可靠性的生产环境

手动解析适用

简单结构化输出
不支持 Function Calling 的小模型
临时、非核心、简单业务

三、破局之道

在面试中，用这段话展现你对 LLM 工具调用的深度理解：

Function Calling 本质是大模型原生提供的标准化、高稳定、强意图的工具调用能力。

它和手动解析最大的区别：手动解析是 "猜格式"，Function Calling 是 "保格式"。

Function Calling 解决了生产环境最痛的三个问题：输出不稳定、意图判断不准、参数不可靠。

工程落地中，只要模型支持，必须优先使用 Function Calling，手动解析只适合简单非核心场景。真正的生产级 Agent、插件系统、工具调用，一定是基于 Function Calling 构建的。

四、代码实现

1. Python 版本

python 复制代码

# ==========================================
# 1. 官方 Function Calling（稳定、安全、生产级）
# ==========================================
def function_calling_demo(user_query):
# 注册工具
    tools = [
        {
            "type": "function",
            "function": {
                "name": "get_weather",
                "description": "查询天气",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "city": {"type": "string",
                                 "date": {"type": "string"}
                                },
                        "required": ["city"]
                    }
                }
            }
            ]

# LLM 原生返回函数+参数
response = llm.chat(
    messages=[{"role": "user", "content": user_query}],
    tools=tools
)

# 模型保证格式正确，直接调用
func = response.function
args = response.arguments
result = get_weather(args["city"])
return result


# ==========================================
# 2. 手动解析输出（不稳定、易报错、测试用）
# ==========================================
def manual_parse_demo(user_query):
# 让模型返回 JSON
    prompt = f"""
用户问题：{user_query}
如果需要查天气，返回JSON：
{{"func":"get_weather","params":{{"city":"xxx"}}}}
"""

# 模型返回字符串
raw = llm(prompt)

# 手动解析 → 极易报错
try:
    data = json.loads(raw)
return get_weather(data["params"]["city"])
except:
return "解析失败"

2. JavaScript 版本

javascript 复制代码

// ==========================================
// 1. Function Calling（推荐）
// ==========================================
async function functionCalling(userQuery) {
  const tools = [{
    name: "getWeather",
    params: { city: "string" }
  }];

  const res = await llm.invoke(userQuery, tools);
  const { functionName, args } = res;
  return getWeather(args.city);
}

// ==========================================
// 2. 手动解析（不推荐生产）
// ==========================================
async function manualParse(userQuery) {
  const prompt = `返回JSON格式：{func,params}`;
  const raw = await llm(prompt + userQuery);

  try {
    const data = JSON.parse(raw);
    return getWeather(data.params.city);
  } catch (e) {
    return "解析错误";
  }
}