为什么 ChatGPT 能查天气、查数据库、执行代码？
为什么 AI 开始不只是聊天，而是真的"会做事"？
为什么很多人说：
Function Calling 是 Agent 的核心能力？为什么现在的大模型越来越像"操作系统"？
这些问题背后。
其实都指向一个核心概念：
Function Calling（函数调用）
很多人第一次听：
都会觉得：
不就是程序里的函数调用吗？
其实：
有点像，但又不完全一样。
今天继续用：
小白视角 + 程序员视角
真正搞懂：
Function Calling 到底是什么？
一、小白视角：Function Calling 到底是什么？
先一句话解释：
Function Calling = 让 AI 学会"调用工具"。
什么意思？
以前 AI：
只能：
动嘴。
现在：
开始：
动手。
这是巨大区别。
1、普通 AI 为什么很多事做不了？
举个例子。
你问：
今天上海天气怎么样？
普通大模型：
如果没联网。
只能：
猜。
甚至：
一本正经地乱说。
因为：
它无法实时查天气。
但：
如果有：
Function Calling
流程就变成：
用户问天气
↓
AI 判断需要查天气
↓
调用天气 API
↓
拿到实时数据
↓
整理语言回复于是：
回答变成：
真数据。
而不是：
靠猜。
2、为什么叫 Function Calling？
因为：
它本质：
像：
调函数。
例如：
程序员：
写：
getWeather("上海")返回：
{
"temp": 28,
"weather": "晴"
}以前：
AI 不会调。
现在：
模型会主动说：
我应该调用这个函数。
于是：
实现：
AI → 系统 → API → 数据
联动。
3、Function Calling 最重要的作用是什么？
一句话：
让 AI 从"会说"，升级到"会做"。
举例：
用户说：
帮我查库存。
以前：
AI：
"你可以打开 ERP 查看。"
结束。
现在：
AI：
自动调用库存接口
↓
查询数据库
↓
返回结果直接回答：
当前库存 523 件。
这才是真正：
干活。
4、现实里有哪些场景？
比如：
查天气
调用：
Weather API
查数据库
调用：
SQL Query
发邮件
调用：
Email API
调 ERP
调用：
企业接口
执行代码
调用：
Python Function
所以：
现在越来越多 AI：
开始：
真正接系统。
5、为什么 Agent 离不开它？
上一篇讲：
Agent = 会行动的 AI
但问题：
AI 靠什么行动？
答案：
Function Calling
因为：
Agent 本身：
不会：
真查数据库。
它只是：
知道什么时候该调用哪个工具。
所以：
可以理解：
Function Calling 是 Agent 的手脚。
6、一个最容易懂的例子
假设：
你说：
帮我预订明天上海到北京机票。
普通 AI：
给建议：
结束。
有 Function Calling 的 Agent：
会：
调用机票 API
↓
查询价格
↓
筛选最优航班
↓
提交订单
↓
返回结果于是：
真的完成任务。
7、一个最形象的比喻
如果：
普通 LLM
像：
一个嘴很厉害的人。
会讲。
但：
不干活。
那么：
Function Calling
就像：
给 AI 配工具箱。
让它：
能：
-
打电话
-
查数据库
-
操作软件
-
发邮件
于是：
从：
顾问
升级成：
助理。
8、一句话理解 Function Calling
如果让我一句话解释：
Function Calling = 让 AI 学会使用外部工具。
从：
会聊天
升级到：
会执行。
二、程序员视角：Function Calling 的底层原理是什么？
下面进入：
程序员模式。
尽量讲专业，但不搞学术劝退。
1、Function Calling 的本质是什么？
一句话定义：
Function Calling 是一种让 LLM 输出结构化工具调用请求的机制。
注意：
重点：
模型不是真执行函数。
而是：
决定该调用哪个函数，以及参数是什么。
执行：
仍然：
由程序完成。
2、完整工作流程
典型链路：
用户请求
↓
LLM 理解意图
↓
判断是否需要工具
↓
输出 Function Call
↓
程序执行函数
↓
返回结果
↓
LLM 组织自然语言注意：
模型负责决策。
系统负责执行。
3、一个真实例子
用户：
上海天气怎么样？系统提供：
函数：
{
"name": "get_weather",
"description": "查询天气",
"parameters": {
"city": "string"
}
}模型输出：
{
"function_call": {
"name": "get_weather",
"arguments": {
"city": "上海"
}
}
}然后：
后端：
真正执行：
getWeather("上海")拿结果：
再交给 LLM。
最终：
输出自然语言。
4、为什么需要 JSON Schema？
因为：
LLM 输出：
必须：
可执行。
所以：
函数定义：
通常：
用：
{
"name": "",
"description": "",
"parameters": {}
}告诉模型：
-
函数叫什么
-
参数有哪些
-
类型是什么
这样：
模型：
不容易乱输出。
更稳定。
5、Function Calling 和 Prompt 有什么区别？
很多新手误解：
Prompt 不也能让 AI 调接口？
区别：
Prompt
靠：
提示词约束。
不稳定。
容易翻车。
Function Calling
靠：
Structured Output
结构化输出。
更可靠。
适合：
企业系统。
6、为什么说它是 Agent 核心？
Agent Loop：
通常：
Thought
↓
Choose Tool
↓
Function Call
↓
Observe
↓
Next Action核心动作：
其实：
就是：
Tool Calling
而：
Tool Calling：
底层：
就是：
Function Calling
所以：
很多时候：
可以说：
没有 Function Calling，就没有真正 Agent。
7、Function Calling 常见场景
企业里：
特别多。
例如：
CRM
查询客户。
ERP
库存。
订单。
OA
审批。
BI
查报表。
SQL Agent
自动查数据库。
Browser Agent
自动浏览网页。
所以：
企业 AI：
几乎都会接。
8、为什么很多项目效果不好？
因为：
很多人以为：
配几个函数就完了。
实际难点：
在：
-
Tool Selection
-
参数校验
-
Error Retry
-
状态管理
-
权限控制
否则：
容易：
调错接口。
参数乱传。
无限循环。
9、Function Calling vs MCP
很多人最近也听：
MCP
区别：
Function Calling
像：
本地工具调用。
模型：
知道：
有哪些工具。
MCP
更像：
通用工具协议。
即插即用。
类似：
AI 世界的 USB。
未来：
可能：
成为：
Agent 标准接口。
10、为什么说它改变了 AI？
因为：
以前：
AI：
只负责说。
现在：
AI：
可以做。
从：
Chatbot
升级为：
Action Agent
这是：
AI 应用真正爆发的原因。
三、一个最形象的比喻
如果：
LLM
像：
一个特别聪明的顾问。
只会：
告诉你怎么做。
那么：
Function Calling
像：
给顾问发了员工权限。
让它：
真的能：
-
查系统
-
调接口
-
执行任务
于是：
从：
会说
升级为：
会做。
四、一句话总结
小白版总结：
Function Calling 是让 AI 学会"调用工具"的能力。
程序员版总结：
Function Calling 是一种结构化工具调用机制，使 LLM 能输出函数请求并与外部系统交互。
最后
如果你刚开始学习 AI。
建议学习路线：
Token
↓
Embedding
↓
Attention
↓
Transformer
↓
LLM
↓
Prompt
↓
RAG
↓
Function Calling
↓
Agent
↓
MCP因为：
LLM 决定 AI 会不会说。
RAG 决定 AI 说得准不准。
Function Calling 决定 AI 能不能做。
理解 Function Calling。
你才真正理解：
AI 为什么开始从聊天机器人，变成数字员工。