【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

# ==========================================
# 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

// ==========================================
// 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";
  }
}