当用户说“帮我算一下33加77”，大模型为啥能准确调用函数来算？
这背后用的就是 —— Function Calling 策略。
今天我们就把这个机制讲明白。
第一步：注册工具
开发者需要先把工具“挂到菜单上”，供大模型选择使用：
{
"name": "add",
"description": "执行加法运算",
"parameters": {
"type": "object",
"properties": {
"a": { "type": "number" },
"b": { "type": "number" }
}
}
}
👆这相当于告诉大模型：“你有个叫 add 的工具，能处理两个数字相加。”
注意几点：
-
名字不能模糊（ get_weather总比tool_1好） -
描述要清晰，别让模型靠猜
第二步：生成调用指令
用户提问：“33加77等于多少？”
大模型不是直接算答案，而是生成一个结构化的调用请求：
{
"tool_call": {
"name": "add",
"arguments": { "a": 33, "b": 77 }
}
}
这叫 工具调用意图，本质是模型说：“我打算调用这个函数，参数如下。”
第三步：谁来执行？
不是模型自己执行工具调用，而是“外面的智能体系统”根据 JSON 指令去找对应函数执行，然后把结果再交回给大模型。
可以简单理解成：
大模型：“我判断要用加法函数。” 智能体：“好的我来调。” 大模型：“收到结果，我来组织答案。”
模型到底做了什么？
Function Calling 策略下，大模型的角色只有三个：
-
理解你的问题 -
匹配哪个工具最合适 -
输出符合格式的 JSON 调用指令
想让模型调用得准，重点优化这两块：
-
工具描述写清楚 -
给系统写个引导 prompt，例如：
system_prompt = "你是一个可以调用工具的智能体。遇到适合使用工具的问题，请优先使用工具。"
训练依赖：模型得支持Function Calling
Function Calling 是靠模型“训练”出来的。只有经过结构化函数调用数据训练/微调的大模型 才能做到：
-
阅读工具描述
-
匹配用户意图
-
自主生成 JSON 函数调用格式
-
执行结果后再续写内容
代表模型:GPT-4、Claude 3、qwen-plus等。
Function Calling 的优点：
-
✅ 调用标准、结构清晰 -
✅ 非常适合标准 API、函数库、数据库接口等 -
✅ 不需要来回猜测“模型到底想调用哪个函数” -
✅ 更安全、可控
小结一句话：
Function Calling 就是让大模型当“项目经理”，提出清晰的“调用需求”，让智能体来跑流程。比起靠 prompt 引导的混沌行为，Function Calling 是结构化、可控、工程化的解决方案。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
THE END
