在大模型应用中，Function-calling（函数调用） 是让大模型突破“纯文本输出局限”、连接外部工具/系统（如数据库查询、API接口、硬件控制等）的核心能力——简单说，它让大模型从“只能回答问题”升级为“能主动调用工具解决实际问题”，是构建Agent（智能体）、自动化工作流的关键技术。

一、核心定义：大模型为什么需要Function-calling？

大模型本身的能力有两个天然限制：

1. 信息滞后：训练数据截止到某个时间（如GPT-4截止2023年10月），无法获取实时信息（如2024年天气、实时股价）；
2. 无执行能力：只能输出文本，无法直接操作外部系统（如查数据库、发邮件、控制机器人）。

而Function-calling解决了这两个问题：

• 它允许开发者预先定义“可调用的函数列表”（如get_weather(city, date)获取天气、query_database(sql)查询数据库），并告诉大模型“这些函数能做什么、需要什么参数”；
• 大模型在处理用户需求时，会自主判断：“是否需要调用函数？调用哪个函数？传什么参数？”，然后输出“函数调用指令”；
• 开发者的代码接收这个指令后，实际执行函数并返回结果；
• 大模型再基于“函数返回结果”，生成最终的自然语言回答（或继续调用其他函数）。

简单类比：Function-calling让大模型从“只会说话的顾问”，变成“能调用计算器、查字典、发消息的全能助手”。

二、核心流程：一次完整的Function-calling是怎样的？

以“用户查询北京2024年5月1日天气”为例（假设大模型无实时数据，需调用天气API），流程分4步：

1. 开发者定义函数并“告诉”大模型

首先，开发者需要用结构化格式（通常是JSON），把可调用的函数信息传给大模型，明确：

• 函数名（如get_weather）；
• 函数功能（“获取指定城市指定日期的天气数据”）；
• 所需参数（如city：城市名，字符串；date：日期，格式YYYY-MM-DD，必填）

示例函数定义（json格式）：

[
  {
    "name": "get_weather",
    "description": "获取指定城市指定日期的天气数据（包括温度、降水概率、风力）",
    "parameters": {
      "type": "object",
      "properties": {
        "city": {
          "type": "string",
          "description": "城市名称，如‘北京’‘上海’"
        },
        "date": {
          "type": "string",
          "description": "日期，格式为YYYY-MM-DD，如‘2024-05-01’"
        }
      },
      "required": ["city", "date"]  // 必填参数
    }
  }
]

2. 用户输入需求，大模型判断“是否需要调用函数”

用户输入：“北京2024年5月1日的天气怎么样？”
大模型分析后发现：“我的训练数据截止到2024年5月前，没有2024年5月1日的实时天气，必须调用get_weather函数才能获取数据”——于是，大模型输出“函数调用指令”（而非直接回答）。

示例模型输出（通常带特定标记，方便代码识别）：

{
  "name": "get_weather",
  "parameters": {
    "city": "北京",
    "date": "2024-05-01"
  }
}

3. 开发者代码执行函数，返回结果

开发者的后端代码（如Python、Java）监测到模型输出的是“函数调用指令”，会：

• 解析指令中的函数名和参数；
• 调用对应的天气API（或数据库），执行get_weather("北京", "2024-05-01")；
• 获取API返回的天气数据（如“温度18-25℃，晴，降水概率10%，风力2级”），并整理成结构化格式（如JSON）。

示例函数返回结果：

{
  "city": "北京",
  "date": "2024-05-01",
  "temperature": "18-25℃",
  "weather": "晴",
  "precipitation_prob": "10%",
  "wind": "2级"
}

4. 大模型基于函数结果，生成最终回答

开发者将“函数返回结果”作为新的输入，传给大模型；
大模型结合“用户需求”和“函数结果”，生成自然语言回答：“北京2024年5月1日的天气为晴，气温在18-25℃之间，降水概率10%，风力2级，适合户外活动~”。

三、关键注意点：与token限制、多轮调用的关系

1. 占用输入token

• 函数定义、函数调用指令、函数返回结果，都会计入大模型的“输入token总量”——如果函数定义复杂（如多个参数、长描述）或返回结果冗长（如大段数据库数据），可能会挤压“历史对话”的token空间，需注意精简。

2. 多轮函数调用

部分复杂任务需要“连续调用多个函数”：
例如“用户查询‘北京2024年5月1日天气是否适合爬山，若适合，推荐3个附近的爬山景点’”——

1. 模型先调用get_weather获取天气（判断适合爬山）；
2. 再调用search_mountain_spots（查询北京附近爬山景点）；
3. 最后基于两个函数的结果，生成综合回答。

此时，每一轮函数调用的“指令+结果”都会作为历史对话，存入输入上下文，供模型判断下一步是否需要继续调用函数。

四、典型应用场景

Function-calling是大模型落地的核心技术，常见场景包括：

1. 实时信息获取：调用天气API、股价API、新闻API，获取实时数据；
2. 数据查询与分析：调用数据库函数（如query_sales_data(month="2024-04")），生成销售报表；
3. 工具控制：调用办公软件API（如发邮件、生成Excel）、硬件API（如控制智能家居、机器人）；
4. Agent智能体：构建自动完成任务的Agent（如“自动生成周报”：调用数据库查数据→调用Excel生成表格→调用邮件发送给领导）。

简单说，Function-calling的核心价值是“打通大模型与外部世界的连接”——让模型不仅能“思考”，还能“行动”，是从“文本生成”走向“任务解决”的关键一步。