企业官网建设流程全解析

• 文档
• 教程
• 知识库

导读

函数调用（Function Calling）是大语言模型（LLM）与外部工具、API 之间的桥梁：模型不再只输出文本，而是能够根据用户输入识别出"此时应当调用哪个函数"，并输出执行该函数所需的参数。本指南围绕 developer-roadmap 仓库中 AI 工程师路线图的函数调用主题展开，帮助你理解函数调用的核心机制、主流厂商实现方式，以及它在 AI 工程师技能体系中的定位，读完即可掌握构建"能执行动作的 LLM 应用"的基本原理与工程范式。

什么是函数调用

函数调用允许大语言模型与外部工具和 API 进行交互。与单纯生成文本不同，LLM 可以被指示：当用户输入满足特定条件时，识别出应当调用哪个预定义的函数，并输出执行该函数所需的参数。这使得 LLM 能够执行超出其训练数据范围的动作，例如获取实时信息或自动化任务。

在 AI 工程师路线图中，这一主题被明确定位为工具与智能体的核心能力。配套文档 Tools & Function Calling in AI Agents 进一步说明：工具和函数调用赋予了 AI 智能体与现实世界交互、获取外部信息的能力——智能体不再只给出基于文本的回答，而是可以使用预定义的函数、工具或 API 执行特定动作，比如搜索网页、发送邮件或控制设备。

工具的范围非常宽泛，可以是从 Web 搜索 API 到计算器、数据库、语言翻译引擎等任何资源。正如 What are Tools 所描述的：智能体向工具发送请求、获得结果，然后利用该结果继续推进任务。

函数调用的核心工作流程

函数调用本质上是"模型决策 + 应用执行"的协作过程，典型流程如下：

1. 定义函数：开发者在 API 请求中声明一组函数，每个函数包含名称、描述和参数结构（JSON Schema）。
2. 模型决策：LLM 根据用户输入判断是否需要调用某个函数；如果需要，则返回结构化的调用请求——包含函数名和参数，而不是自由格式的文本。
3. 应用执行：调用方应用程序真正执行该函数（如查询数据库、调用外部 API），并把结果返回给模型。
4. 继续对话：模型拿到工具结果后，可以继续推理或生成最终回答。

这一循环正是智能体（Agent）能够自主完成多步骤任务的底层机制：决策（模型）与执行（应用）解耦，模型负责"想"，应用程序负责"做"。

为什么需要函数调用

函数调用解决了 LLM 的三大天然局限：

从 What are Tools 的表述看，工具可以让一个小型核心模型处理原本很难或很慢的任务，同时帮助答案保持及时、准确并锚定在真实数据上；选择合适的工具并知道何时使用它，是构建智能智能体的关键能力。

主流实现方式对比

函数调用已是大模型厂商的"原生能力"，不同厂商的实现遵循同一套通用模式，但请求/响应格式各有差异。仓库的 AI 智能体路线图中记录了三种主流实现：

OpenAI Functions Calling

OpenAI Functions Calling 允许模型从 API 请求中定义的一组函数中选择，并返回结构化的调用——函数名和参数以 JSON 形式给出。调用方应用执行该函数，并将结果发回给模型供其在下一次响应中使用。它是最早被广泛采用的原生工具调用实现之一。

Anthropic Tool Use（Claude）

Anthropic Tool Use 是 Claude 对原生函数调用的实现：模型可以选择以结构化参数调用已定义的工具，作为其响应的一部分。支持并行工具调用，并能在需要时强制使用指定工具——这对于需要确定性流程的工程场景非常实用。

Gemini Function Calling

Gemini Function Calling 是 Google 的原生工具调用实现：Gemini 模型从提供的函数定义中选择并返回带参数的结构化调用。它遵循与其他厂商函数调用相同的通用模式，但拥有自己特定的请求和响应格式。

原生函数调用（LLM Native Function Calling）的意义

LLM Native Function Calling 强调了一个关键区别：原生函数调用是直接内建在模型 API 中的能力——模型输出对预定义函数的结构化调用（含函数名和参数），而非自由文本。应用程序执行真实函数并将结果返回模型以继续对话。

这一设计带来的核心价值是标准化：模型请求动作的方式被规范化，无需再从纯文本输出中解析工具调用。相比早期的"提示词模拟"方案（模型输出 JSON 文本、应用再用正则或解析器提取），原生函数调用大幅降低了解析失败率和格式漂移问题，是构建可靠 AI Agent 的工程基础。

在 AI 工程师路线图中的定位

函数调用是 AI 工程师路线图中"工具与智能体"知识板块的组成部分，与以下主题紧密关联：

• Tools & Function Calling in AI Agents：工具的宏观概念与智能体应用场景
• AI Agents：智能体的整体架构
• State & Historical Context：函数调用结果如何进入对话状态，供后续步骤引用
• Context Sources：工具返回的信息如何成为模型上下文的一部分

理解这条链路对实践很重要：函数调用不仅仅是"发一次请求"，它会产生状态变化——过去工具调用的记录与结果需要被跟踪，否则智能体可能重复步骤、自相矛盾或在多步任务中迷失方向，这正是 State & Historical Context 所强调的工程要点。

进一步探索

本仓库为继续深入学习提供了完整的路线图支撑：

• AI 工程师路线图 - 函数调用主题：本文依据的原始主题页
• AI 智能体路线图 - 工具调用专题：工具概念的入门讲解
• AI 智能体路线图 - 原生函数调用：原生能力的原理对比

按路线图顺序学习，可以从"什么是函数调用"逐步深入到"如何为智能体设计并集成工具"，最终构建出能够自主检索实时信息、调用业务 API 并完成多步自动化任务的 AI 应用。

• 文档
• 教程
• 知识库