👨 作者简介：大家好，我是Taro，全栈领域创作者
✒️ 个人主页：唐璜Taro
🚀 支持我：点赞👍+📝 评论 + ⭐️收藏

前言

大语言模型（LLM）在处理复杂任务时可能会遇到自身能力的局限性，例如无法调用实时数据、或进行特定服务操作时。这种情况下，如何让模型突破自身限制，完成更复杂的任务成为了亟待解决的问题。Function Calling正是为了解决这一问题而设计的

提示：以下是本篇文章正文内容，下面案例可供参考

一、Function Calling是什么？

Function Calling = AI 发现自己“不会” $\to$ 查“说明书”找工具 $\to$ 呼叫外部程序帮忙。

1. 帮助LLM突破自身局限

• 实时性：AI 没联网，不知道今天几度？——调用天气 API。

• 准确性：AI 算复利经常出错？——调用专业计算器。

• 操作性：AI 只能动嘴，没法发邮件？——调用邮箱服务。

二、使用步骤

Function Calling的过程发生在调用 LLM 接口的那一刻。它并不是存储在 LLM 的数据库里，而是作为你发送给 AI 的**请求参数（Request Body）**的一部分

1.在请求体中添加相关函数。

代码如下（示例）：

"tools": [
    {
        'type': 'function',
        'function': {
            'name': '对应到实际执行的函数名称',
            'description': '此处是函数相关描述',
            'parameters': {
                '_comments': '此处是函数参数相关描述'
            },
        }
    },
    {
        '_comments': '其他函数相关说明'
    }
]

2.通过OpenAI库发起请求

代码如下（示例）：

response = client.chat.completions.create(
    model="MaaS模型名称",
    messages = messages,
    tools=[
        {
            'type': 'function',
            'function': {
                'name': '对应到实际执行的函数名称',
                'description': '此处是函数相关描述',
                'parameters': {
                    // 此处是函数参数相关描述
                },
            }
        },
        {
            // 其他函数相关说明
        }
    ]
    // chat.completions 其他参数
)

该处使用的url网络请求的数据。

三、极简场景对比

总结

以上就是今天要讲的内容，本文仅仅简单介绍了\通过Function Calling，LLM能够调用外部函数或服务，从而扩展其自身的能力边界，执行它本身无法完成的任务。

这种机制不仅提升了模型的实用性，还使其能够处理更复杂、更专业的场景，例如实时天气查询、数据分析、API调用等，从而显著提升了模型的准确性和任务处理效率