Function Calling

Function Calling（函数调用）是指 LLM 根据用户请求，输出结构化的工具调用请求（而非纯文本回复）的能力。它使 LLM 能够与外部系统交互——执行搜索、查询数据库、调用 API——从而突破模型自身知识和能力的边界。

工作原理

开发者通过 JSON Schema 描述可用函数的名称、参数和语义，连同用户消息一起发送给模型。模型分析用户意图后，可以选择生成一个结构化的函数调用请求（包含函数名和参数），而非直接生成文本回复。客户端执行实际函数调用后，将结果返回给模型，模型再基于结果生成最终回复。

与 MCP 的关系

concepts/model-context-protocol（MCP）是 Function Calling 的标准化协议层。MCP 定义了模型与工具之间的统一通信标准，使工具可以跨不同 LLM 提供商复用。MCP 的设计理念是：任何符合 MCP 规范的工具服务器，都可以被任何支持 MCP 的 LLM 客户端使用，避免了工具集成为每个模型重复开发的问题。

并行调用与流式调用

并行调用（Parallel Function Calling）允许模型在单次推理中生成多个独立的函数调用请求，例如同时查询天气和航班信息。这减少了多轮交互的延迟，对需要聚合多个数据源的场景尤为重要。

流式调用（Streaming Function Calling）在模型生成长参数（如搜索查询字符串）时，以流式方式输出部分结果，降低用户感知的首字延迟。

实际应用场景

• 信息检索：调用搜索引擎获取实时信息，弥补训练数据的时间滞后
• 数据库查询：将自然语言转换为 SQL 查询并执行
• 代码执行：运行 Python 代码进行数值计算或数据处理
• API 集成：操作日历、发送邮件、管理文件等第三方服务
• 多模态处理：调用图像生成或语音合成服务

Function Calling 与 concepts/prompt-engineering 深度结合——prompt 中对工具的描述质量直接影响模型选择和使用工具的准确性。

相关页面

• concepts/model-context-protocol：Function Calling 的标准化协议
• concepts/prompt-engineering：工具描述的 prompt 设计
• topics/ai-agents：Function Calling 是 AI Agent 的核心能力