1. 核心结论

• Function Calling 让大模型能够调用外部工具获取实时信息或执行操作
• 模型不直接执行函数，而是生成函数调用请求，由外部系统执行后返回结果
• 工具描述的质量直接影响模型调用的准确性
• Function Calling 是构建 AI Agent 的核心能力之一
• 合理设计工具集能大幅扩展模型的能力边界

2. 基础概念

Function Calling：模型识别需要调用外部函数时，输出结构化的函数调用请求。

Tool Use：模型使用外部工具（搜索、计算、API 等）增强自身能力。

Tool Description：工具的 JSON Schema 描述，包括名称、参数、功能说明。

Parallel Tool Use：模型同时调用多个工具的能力。

Tool Result：工具执行后返回给模型的结果。

ReAct 模式：Reasoning + Acting，模型交替进行推理和行动。

3. 工作原理

Function Calling 流程：

1. 工具注册：向模型提供可用工具的 JSON Schema 描述
2. 用户输入：用户发送请求
3. 模型决策：模型判断是否需要调用工具
4. 生成调用：模型输出结构化的工具调用请求（工具名 + 参数）
5. 外部执行：应用程序执行工具调用
6. 结果返回：将工具执行结果作为消息返回给模型
7. 最终响应：模型基于工具结果生成最终回答

工具描述设计要点：

• 名称清晰：使用动词+名词格式（get_weather、search_products）
• 描述详细：说明工具功能、适用场景、限制条件
• 参数明确：每个参数有类型、描述、是否必填
• 示例补充：复杂工具提供使用示例

主流平台支持：

• OpenAI：function calling、parallel function calling
• Anthropic：tool use
• Google Gemini：function calling
• 开源：LangChain Tools、LlamaIndex Tools

4. 实战场景

• 实时信息查询：天气、股票、新闻
• 数据库查询：自然语言转 SQL
• API 调用：订单查询、用户管理
• 计算工具：数学计算、单位转换
• 代码执行：沙箱环境运行代码
• 文件操作：读取、写入、搜索文件

5. 常见误区

• 工具描述不清晰：模型无法正确理解工具用途
• 参数设计不合理：缺少必要参数或参数类型错误
• 不处理工具调用失败：没有 fallback 机制
• 工具过多导致混乱：模型难以选择合适的工具
• 忽视安全性：工具没有权限控制和输入验证

6. 进阶方向

• 多步工具调用链
• 工具自动发现与注册
• 工具调用评估与优化
• 多 Agent 工具共享
• 工具调用安全沙箱
• 动态工具生成

7. 推荐资料

• OpenAI Function Calling - https://platform.openai.com/docs/guides/function-calling
• Anthropic Tool Use - https://docs.anthropic.com/en/docs/build-with-claude/tool-use
• Google Gemini Function Calling - https://ai.google.dev/gemini-api/docs/function-calling
• LangChain Tools - https://python.langchain.com/docs/concepts/tools

8. 关联笔记

• Agent基础
• 工具调用设计
• MCP基础
• Agent工作流