Function Calling 详解

在知识图谱中的位置：模块一 · 01_基础概念 · 第 3 节 难度：⭐⭐⭐ | 前置知识：Agent 基础

---

1. 概述

**Function Calling（函数调用）**是 LLM 返回结构化数据（通常是 JSON）以触发外部代码执行的能力。它是 Agent 最核心的基础设施。

---

2. 核心概念

2.1 Function Calling 的工作流程

用户输入 → LLM 推理 → 返回 tool_calls（JSON） → 执行函数 → 返回结果 → LLM 生成最终回答

详细流程：

Step 1: 用户问 "北京明天天气如何？"
Step 2: LLM 分析 → "需要调用 get_weather 工具"
Step 3: LLM 返回:
{
  "tool_calls": [{
    "id": "call_001",
    "function": "get_weather",
    "arguments": {"location": "北京", "unit": "celsius"}
  }]
}
Step 4: 你的代码执行 get_weather("北京", "celsius") → 返回 "25°C"
Step 5: 将结果追加为 tool_message 给 LLM
Step 6: LLM 生成最终回答: "北京明天晴，温度 25°C..."

2.2 多工具调用

# LLM 可以一次决定调用多个工具（并行执行）
{
  "tool_calls": [
    {"function": "get_weather", "arguments": {"location": "北京"}},
    {"function": "search_web", "arguments": {"query": "AI", "count": 3}},
    {"function": "translate", "arguments": {"text": "Hello", "target": "zh"}}
  ]
}

---

3. 实践指南

3.1 Function Calling 最佳实践

1. 工具描述要精确 — 告诉 LLM 什么时候调用、做什么
2. 参数 schema 要完整 — 类型、枚举、默认值、描述
3. temperature 设 0.0-0.3 — 保证结构输出稳定
4. 验证工具返回 — 不要直接信任 LLM 生成的参数
5. 错误处理 — 工具失败时返回友好错误信息给 LLM

3.2 常见陷阱

| 陷阱 | 原因 | 解法 | |--|-|--|- | | LLM 编造参数 | 工具描述模糊 | 加更多描述和示例 | | 参数类型错误 | JSON Schema 不完整 | 加 type + enum | | 调用不存在的工具 | 工具描述冲突 | 给工具命名更精确 | | 并行调用过多 | LLM 过度调用 | 设 max_concurrent |

---

4. 参考资料

• OpenAI Function Calling 文档
• ReAct: Synergizing Reasoning and Acting

---

5. 学习路径

1. Level 1 — 写一个 Function Calling 示例
2. Level 2 — 实现多工具并行调用
3. Level 3 — 对比不同模型的 FC 效果
4. Level 4 — 实现 FC + RAG
5. Level 5 — 理解 MCP 协议（FC 的标准化）