1 基本概念

当你第一次看到 Function Call 这个名字，直译就是“函数调用”。没错，它说的就是“调用函数”。但你可能会好奇：LLM 怎么会去调用函数呢？

在理解这个之前，先想一想什么是“函数”。其实你每天都在无意识地使用函数：比如你在百度或 Google 搜索一个内容，搜索结果出来后，你点击其中一条链接。这个“点击”背后，其实就是一次函数调用——系统把你选择的内容，从数据库里取出来，再展示到网页上。

这些过程你看不到，但它们都在后台自动完成。Function Call 在大模型里也是类似的：模型并不自己“知道”所有答案，而是通过调用外部的函数（工具），把结果取回来，然后再回答你。

如果让你来设计 Function Call，你会先想到什么？ 大多数有编程经验的同学，第一反应可能是：

• 这个函数要完成什么功能？
• 需要哪些参数？
• 参数怎么传递？
• 最后返回什么结果？

没错，这就是函数的基本要素。那接下来问题来了：LLM 怎么知道你写的这些函数呢？

前排提示，文末有大模型AGI-CSDN独家资料包哦！

答案是：你需要把它们“注册”到 LLM 中。所谓注册，其实就是把函数的定义（功能说明、参数格式、返回结果类型）描述一遍，交给 LLM 记住。这样，当模型遇到相关问题时，它就能主动选择调用哪个函数，并生成对应的参数。

接下来，模型会把生成的参数传给你定义的函数，函数运行得到结果。然后这个结果会被当作“新的上下文”再交给 LLM，模型结合结果和你原来的问题，生成最终的答案。

上述描述就是function call的完整过程。

2 为什么需要 Function Call？

最初的大模型（GPT-2、GPT-3）只能靠自己“记忆”生成答案。

但一旦用户问到 实时信息（如“今天上海的天气”）或 外部操作（如“帮我订张票”），模型就无能为力，只能“胡编”一个结果。

这时研究者就意识到：模型必须要能和外部世界互动。

2023年6月 OpenAI正式推出Function Calling，其发展历程如下：

大模型很强，但它的“脑子”来自训练时刻的快照：知识是静态的、通用的、不可验证的。一旦问题落到真实业务里，就会立即遇到三类鸿沟：

• 第一，时效性——“明天杭州的天气”“这班机有没有延误”“库存还剩多少”都需要实时系统给答案；
• 第二，个性化与权限——“我这个账号的账单”“我司本月的销售额”“我工单的处理进度”属于企业或个人的私域数据，模型本体既看不到也不该看到；
• 第三，行动与闭环——不仅要回答，还要去做事：下单、发邮件、建工单、拉取报表、写回数据库，单靠语言生成办不到。

Function Call 的价值就在于把“会说话”的模型，接上“会做事”的工具：开发者先以函数/工具的声明定义可用能力（名称、参数、返回值和安全边界），模型在理解用户意图后自动选择并生成结构化参数，由应用去调用真实世界的 API 或服务，拿到可验证的结果再让模型组织成自然语言回复。

这样一来，答案可追溯、可审计、可复现，降低幻觉，还能把企业现有系统（数据库、搜索、ERP、工单、物联网设备）无缝纳入 AI 工作流。

换句话说，Function Call 让大模型从“静态记忆 + 概率式输出”，进化为“按需取数 + 安全执行 + 可控反馈”的执行中枢：既补齐时效与专有知识的短板，又把回答变成可落地的动作闭环，这就是它在任何严肃场景中不可或缺的原因。

3 Function Call 的核心机制（工作原理）

• 应用向大语言模型发起请求：应用端将用户的自然语言输入（Prompt）以及可用函数的定义信息（Function Declarations / Tool Specifications）一并传递给大语言模型。这样模型在理解问题时，就知道有哪些外部工具可供调用。

• 大语言模型进行决策：模型内部经过推理，判断是直接生成自然语言回复，还是需要调用一个或多个外部工具。如果需要调用工具，模型会生成对应的函数名及参数（Function Call Arguments）。

• 模型返回调用指令或直接回复， 模型将处理结果返回给应用端。这个结果可能是：

• 一条包含函数名与参数的函数调用指令。

• 一条可直接展示的自然语言消息，或

• 应用解析并执行函数：当应用收到函数调用指令时，会解析出函数名与参数，并实际执行对应的函数（通常是调用外部 API 或服务）。

• 应用将函数执行结果反馈给模型：应用把函数执行的原始输出结果（如 API 返回的 JSON 数据）与上下文提示词一并传入模型，使其能够基于数据生成用户可理解的回答。

• 大语言模型生成最终响应或继续调用，模型接收到函数执行结果后，会决定：

• 如果问题尚未解决，继续触发后续的工具调用，直到获得足够信息。

• 直接基于结果生成最终自然语言答案，或

4 实际案例展示

我用一个简单的例子来解释Function Call的工作原理：

如果我现在问ChatGPT：杭州今天天气如何？内部是怎么运作的呢？

第 1 步：用户提问

• 用户：输入提示词（Prompt） → “杭州今天天气如何？”

第 2 步：应用 (ChatGPT)

• ChatGPT 接收到用户问题。
• ChatGPT 需要判断：这个问题能直接回答吗？还是要调用外部数据？
• ChatGPT 发现：天气是实时数据，自己“不会算”，于是决定调用 外部函数。
• 函数声明（Function Declaration），应用层（比如 ChatGPT 产品）会提前写好一组函数的定义（声明），比如：

• 每个函数都会有 名字（name）、描述（description）、参数（parameters schema）。

• 定义的格式必须符合 OpenAI 规范（目前是 JSON Schema），这样模型才能正确理解。

• get_weather(location, date)

• get_stock_price(symbol, date)

• get_inventory(item_id)

第 3 步：模型生成调用参数 模型收到“用户问题 + 函数声明”后，先理解用户需求，再在可用函数里选择合适的一个，并生成调用所需的函数名和参数，例如：

函数名：get_weather  


参数：{location=杭州,date=2025-09-21}

第 4 步：函数调用 API

• ChatGPT 向 天气 API 发送请求。
• API 返回结果：

{


  "temperature": "28°C",


  "condition": "多云"


}

第 5 步：应用返回答案

• Function Call调用的结果给到模型；
• 模型生成答案给到应用ChatGPT；
• ChatGPT最终响应给用户；

5 什么是“把函数注册到模型中”

在 Function Call 的机制里，有一个常见的问题是：模型本身并不知道你有哪些函数。那么，如何让模型“知道”并正确调用呢？这就涉及到 函数注册 的过程。

通过 Prompt 告诉模型

• 在调用模型时，除了用户的自然语言问题，还需要在 Prompt 中一并写入函数的定义。
• 定义包括：函数名、参数类型、参数说明、返回值格式，甚至权限或使用场景。
• 这样，模型在推理时会把这些函数当作“候选工具”，并选择合适的一个生成参数。
• 在前面章节的示例里，我展示过一个较复杂的 Prompt，它把所有函数的描述一次性写清楚，每次调用模型时，函数定义会和用户问题一起传入。

通过 API 调用参数传递（tools 字段）

• 在程序层面，调用大模型时通常会有一个 tools 字段（或类似参数）。
• 你可以把需要的函数用 JSON Schema 的格式列出来：包括函数名、参数、说明等。
• 当请求发给大模型时，这些函数就相当于被“注册”进了模型当前的上下文。
• 模型在生成响应时，会根据工具的定义返回结构化的函数调用请求。

所谓“函数注册到模型中”，并不是把函数永久写进模型，而是 在每次会话或调用时，通过 Prompt + tools 参数，把函数的定义临时交给模型。模型就能在推理时“记住”这些函数，并在需要时调用。

prompt 和 tools 参数都需要在调用模型 API 时一并传入。

05 Function Call与MCP(Model Context Protocol )、Agent关系

有了 Function Call，模型能“调一次工具”。但真实业务往往不是一次就完，还牵涉到先调谁、怎么排顺序、失败如何重试，以及工具如何被统一接入与复用。于是就有了两条演进线：Agent 负责把多步流程编排成闭环，MCP 负责把工具接入标准化、可发现、可治理。接下来我们就讲它们与 Function Call 的关系。

Function Call与MCP关系：

MCP 把“工具/函数”的定义与托管从应用层挪到独立的 MCP Server。你按统一 Schema（名字、参数、返回值、权限等）在各台服务器上暴露工具；应用侧只要作为 MCP Client 连接这些服务器，就能自动发现并调用工具，不再为每个客户端/每个模型重复接入一次。像 Cursor、Dify、ChatGPT（自定义连接器/Responses API） 都已经能作为 MCP 客户端对接远程 MCP 服务器，用的就是这一套标准。

更严谨地说：MCP ≠ 只是“函数换了个放置位置”：

• Function Call：描述“如何调用一个工具”的模型行为（选择工具 → 产出结构化参数 → 执行 → 回传结果）。
• MCP：描述“工具如何被发现与接入”的协议层（服务发现、能力声明、会话与鉴权、可观测、跨应用复用）。
• 典型链路是：MCP 负责发现/接入 → 模型在客户端内用 Function Call 产出参数 → 客户端调用该 MCP 工具并回传结果给模型。换言之，MCP 是“接线标准”，Function Call 是“用电方式”。

所以说，MCP未来可以形成规模商业化模式：

• 商业模式：既然 MCP 解决了“工具可复用、跨应用接入”的问题，那在 Server 端确实可以设计为 按调用次数、按 QPS、按并发量收费，就像现在的 API（OpenAI、Stable Diffusion、各类 SaaS API）一样。

与Agent关系：

• MCP Server 里暴露了若干工具（搜索、数据库、RAG、第三方 API 等），MCP 把工具摆到桌面上。

• MCP Client（如 ChatGPT、Cursor、Dify）连上去，把这些工具“挂载”到模型可见的环境。

• Agent 决定怎么用这些工具完成目标，形成执行逻辑，决定 先调哪个工具、后调哪个工具，利用 Function Call机制来一步步调用 MCP 工具，直到达成目标。

因此未来可能会出现：Agent-as-a-Service + MCP 工具市场。

”到模型可见的环境。

• Agent 决定怎么用这些工具完成目标，形成执行逻辑，决定 先调哪个工具、后调哪个工具，利用 Function Call机制来一步步调用 MCP 工具，直到达成目标。

因此未来可能会出现：Agent-as-a-Service + MCP 工具市场。

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓