函式呼叫Function Calling

運作方式

1. 1

   你先告訴模型有哪些函式可用

   每個函式附上名稱、用途說明、需要哪些參數。模型不會執行這些函式，只讀說明。

2. 2

   模型判斷該不該呼叫

   根據使用者的問題，模型決定這次回答需不需要呼叫函式，還是直接用自己的知識回答就夠。

3. 3

   模型整理出呼叫請求

   如果需要呼叫，模型會輸出一份結構化資料：呼叫哪個函式、參數填什麼值。這一步模型只是「填表單」，不是真的執行。

4. 4

   你的程式碼負責實際執行

   收到呼叫請求後，由你的程式碼真正呼叫該函式（查資料庫、打 API、算數學），把結果傳回給模型。

5. 5

   模型根據結果組成最終回答

   拿到函式回傳的結果後，模型用自然語言把它整理成使用者看得懂的回答。

為什麼需要它

沒有 Function Calling，模型只能用訓練資料回答。 它不知道今天的天氣、你資料庫裡的即時庫存、剛剛送出的訂單狀態。透過函式呼叫，模型能在回答前先去查最新資料。

回答格式變得可靠。 直接要求模型「用 JSON 格式回答」，有時會夾雜多餘的文字或格式跑掉。Function Calling 的參數輸出經過結構化驗證，格式穩定得多，適合接進既有系統。

這是 AI Agent 的基礎能力。 AI Agent 之所以能自己規劃步驟、連續完成任務，核心就是反覆進行「判斷該呼叫什麼、拿到結果、判斷下一步」這個循環。

實際會怎麼用

常見的應用情境：

• 查詢即時資訊：股價、匯率、天氣、航班狀態，模型呼叫對應的查詢函式取得最新數值。
• 操作內部系統：建立客服工單、查詢訂單狀態、更新資料庫欄位。
• 執行計算：模型的數學能力不穩定，交給一個計算函式反而更準確。
• 串接其他工具：搜尋網頁、讀取檔案、寄送通知，這些都不是模型本身的能力，而是透過函式呼叫外接進來的。

常見的坑

參數填錯但格式看起來沒問題。 模型可能把「訂單編號」填成一個看起來合理但實際不存在的值。函式呼叫本身不保證內容正確，執行前的驗證還是要做。

函式說明寫得模糊，模型判斷就不準。 函式名稱和參數說明就是模型唯一的依據，寫得越清楚、範例越明確，模型呼叫的準確率越高。

沒有處理「不該呼叫卻呼叫了」的狀況。 對敏感操作（刪除資料、送出付款）務必加一層人工確認或額外驗證，不要讓模型的判斷直接觸發不可逆的動作。

延伸閱讀：MCP 是什麼、AI Agent 完整指南、API 是什麼。