Function Calling

传统语言模型只能生成文本，无法直接查询数据库或调用外部 API；函数调用机制打破了这一限制。

• 声明意图而非直接执行：模型输出的是结构化调用描述（函数名 + 参数），真正执行由宿主代码完成，安全边界在应用层维护。
• 基于 JSON Schema 约束：开发者在请求中以 JSON Schema 格式描述可用函数及参数类型，模型的输出被约束为合法结构，便于解析。
• 对话轮次驱动：执行结果以新消息追加回上下文，模型在完整信息基础上继续推理，支持多轮工具调用链。
• 模型自主判断：模型也可选择不触发任何函数而直接回答，是否调用本身是推理的一部分，不需要开发者硬编码触发条件。

一次典型函数调用分四个步骤完成。

• 第一步，工具描述：开发者在 API 请求的 tools 字段中以 JSON Schema 声明每个函数的名称、用途说明和参数规格。
• 第二步，模型推理：模型根据用户意图判断是否需要调用函数；若需要，则在响应中输出包含函数名与参数值的 tool_call 结构，而非自然语言文本。
• 第三步，应用层执行：宿主代码解析 tool_call，调用真实函数或 API，获取返回值；错误信息也应在此明确传递。
• 第四步，结果回传：将返回值以 tool 角色消息追加至对话历史，模型基于完整上下文生成最终自然语言答复。

函数调用在不同实现和演进阶段形成了若干变体。

• 单次调用：最基础形态，每次响应最多触发一个工具；早期 OpenAI 实现属于此类。
• 并行调用（Parallel Tool Calls）：模型在单次响应中输出多个调用意图，批量执行后统一回传，显著减少多步任务的往返延迟；OpenAI 于 2023 年底引入。
• 强制调用模式：通过 tool_choice 参数指定必须调用特定函数，保证输出符合固定 Schema；常用于结构化信息抽取场景替代正则解析。
• 跨平台等价实现：Anthropic Claude 称之为 Tool Use，Google Gemini 称之为 Function Declarations，字段命名略有差异但语义一致。
• 流式调用：部分实现支持在流式响应中逐步输出 tool_call 字段，降低首字节延迟。

函数调用在多类实际系统中已成为标准构件。

• 实时信息查询：将天气、股价、数据库查询封装为函数，让模型突破训练数据时效限制，获取最新信息。
• 结构化信息抽取：将「提取实体/关系」定义为函数，利用模型必须输出合法 JSON 的约束，替代繁琐的正则解析逻辑，用于 NER、表单填充等任务。
• AI Agent 驱动：LangChain、AutoGen、LlamaIndex 等 Agent 框架以函数调用作为工具执行的核心机制，驱动多步骤任务规划与动作序列。
• 代码执行验证：将代码沙箱封装为函数，让模型生成代码后立即调用执行并观察结果，形成「生成-执行-修正」循环。
• 多系统编排：在企业集成场景中，将 CRM、ERP、内部 API 各封装为工具，模型充当自然语言接口协调多系统操作。

函数调用与几个相近概念在实践中常被混用，需要区分层次。

• Function Calling vs MCP：函数调用是模型输出侧的格式规范（模型如何声明调用意图）；MCP（Model Context Protocol）是工具连接侧的传输协议（宿主应用如何将工具能力暴露给模型）。两者互补：可以把函数调用比作「语言」，MCP 比作「基础设施」。
• Function Calling vs RAG：RAG 是被动检索，在用户提问时自动触发；函数调用是主动调用，由模型根据推理判断是否触发。两者可结合——检索动作本身可封装为函数按需触发，即 Agentic RAG。
• Function Calling vs Plugins：OpenAI Plugins（已下线）是早期将函数调用能力封装为可分发产品的形态，本质上建立在函数调用机制之上，属于应用层概念。
• Function Calling vs Code Interpreter：代码解释器是函数调用的一种特殊工具实例，模型通过调用代码执行环境这一「函数」来运行代码。

函数调用在实际工程中存在若干常见陷阱。

• 误区：模型在执行函数：模型只输出了调用描述，真正执行在宿主代码。模型无法感知执行失败或超时，必须在返回值中明确传递错误信息，否则模型会基于空响应产生错误推理。
• 幻觉式调用：模型可能传入不存在的参数键名或格式错误的参数值；对 Schema 做严格校验（如使用 Pydantic 或 Zod）是工程必选项。
• 工具数量瓶颈：当工具数量超过十几个时，模型选择正确函数的准确率会显著下降；缓解方案包括动态筛选相关工具子集，或为函数编写更清晰的 description。
• 并行调用的执行依赖问题：并行输出的多个调用之间不保证执行顺序，若步骤间存在数据依赖，需在应用层做额外编排或拆成多轮。
• 提示注入风险：函数返回值会被追加回上下文，若返回值来自不可信源（如网页内容），可能引入提示注入攻击，需对返回内容做过滤。

函数调用机制经历了从非正式约定到行业标准的快速演进。

• 2022 年前：研究者通过 few-shot prompt 引导模型输出特定格式的「动作指令」（如 ReAct 论文中的 Action 格式），但可靠性和格式一致性依赖提示工程，工程成本高。
• 2023 年 6 月：OpenAI 在 GPT-3.5 Turbo 和 GPT-4 API 中正式引入 Function Calling，提供标准化的 JSON Schema 描述和专用响应字段，大幅降低结构化输出的工程门槛，引发行业跟进。
• 2023 年下半年：OpenAI 补充并行工具调用能力；Anthropic Claude 2.1 引入工具使用（Tool Use）能力；各大模型服务商陆续跟进。
• 2024 年：MCP（Model Context Protocol）由 Anthropic 提出，将工具连接标准化为独立协议层，函数调用作为上层调用格式与之配合使用，生态进一步完善。
• 术语演进：业界逐渐以 Tool Use 或 Tool Calling 替代 Function Calling，以涵盖代码解释器、文件操作等非函数形态的工具，函数调用成为更广义工具使用范畴中的子集。