1基本概念
当你第一次看到Function Call这个名字，直译就是“函数调用”。没错，它说的就是“调用函数”。但你可能会好奇：LLM 怎么会去调用函数呢？
在理解这个之前，先想一想什么是“函数”。其实你每天都在无意识地使用函数：比如你在百度或 Google 搜索一个内容，搜索结果出来后，你点击其中一条链接。这个“点击”背后，其实就是一次函数调用——系统把你选择的内容，从数据库里取出来，再展示到网页上。
这些过程你看不到，但它们都在后台自动完成。Function Call 在大模型里也是类似的：模型并不自己“知道”所有答案，而是通过调用外部的函数（工具），把结果取回来，然后再回答你。
如果让你来设计Function Call，你会先想到什么？ 大多数有编程经验的同学，第一反应可能是：
- 这个函数要完成什么功能？
- 需要哪些参数？
- 参数怎么传递？
- 最后返回什么结果？
没错，这就是函数的基本要素。那接下来问题来了：LLM 怎么知道你写的这些函数呢？
答案是：你需要把它们“注册”到 LLM 中。所谓注册，其实就是把函数的定义（功能说明、参数格式、返回结果类型）描述一遍，交给 LLM 记住。这样，当模型遇到相关问题时，它就能主动选择调用哪个函数，并生成对应的参数。
接下来，模型会把生成的参数传给你定义的函数，函数运行得到结果。然后这个结果会被当作“新的上下文”再交给 LLM，模型结合结果和你原来的问题，生成最终的答案。
上述描述就是function call的完整过程。
2 为什么需要 Function Call？
最初的大模型（GPT-2、GPT-3）只能靠自己“记忆”生成答案。
但一旦用户问到实时信息（如“今天上海的天气”）或外部操作（如“帮我订张票”），模型就无能为力，只能“胡编”一个结果。
这时研究者就意识到：模型必须要能和外部世界互动。
2023年6月 OpenAI正式推出Function Calling，其发展历程如下：
大模型很强，但它的“脑子”来自训练时刻的快照：知识是静态的、通用的、不可验证的。一旦问题落到真实业务里，就会立即遇到三类鸿沟：
- 第一，时效性——“明天杭州的天气”“这班机有没有延误”“库存还剩多少”都需要实时系统给答案；
- 第二，个性化与权限——“我这个账号的账单”“我司本月的销售额”“我工单的处理进度”属于企业或个人的私域数据，模型本体既看不到也不该看到；
- 第三，行动与闭环——不仅要回答，还要去做事：下单、发邮件、建工单、拉取报表、写回数据库，单靠语言生成办不到。
Function Call 的价值就在于把“会说话”的模型，接上“会做事”的工具：开发者先以函数/工具的声明定义可用能力（名称、参数、返回值和安全边界），模型在理解用户意图后自动选择并生成结构化参数，由应用去调用真实世界的 API 或服务，拿到可验证的结果再让模型组织成自然语言回复。
这样一来，答案可追溯、可审计、可复现，降低幻觉，还能把企业现有系统（数据库、搜索、ERP、工单、物联网设备）无缝纳入 AI 工作流。
换句话说，Function Call 让大模型从“静态记忆 + 概率式输出”，进化为“按需取数 + 安全执行 + 可控反馈”的执行中枢：既补齐时效与专有知识的短板，又把回答变成可落地的动作闭环，这就是它在任何严肃场景中不可或缺的原因。
3Function Call 的核心机制（工作原理）
应用向大语言模型发起请求：应用端将用户的自然语言输入（Prompt）以及可用函数的定义信息（Function Declarations / Tool Specifications）一并传递给大语言模型。这样模型在理解问题时，就知道有哪些外部工具可供调用。
大语言模型进行决策：模型内部经过推理，判断是直接生成自然语言回复，还是需要调用一个或多个外部工具。如果需要调用工具，模型会生成对应的函数名及参数（Function Call Arguments）。
模型返回调用指令或直接回复， 模型将处理结果返回给应用端。这个结果可能是：
一条包含函数名与参数的函数调用指令。
一条可直接展示的自然语言消息，或
应用解析并执行函数：当应用收到函数调用指令时，会解析出函数名与参数，并实际执行对应的函数（通常是调用外部 API 或服务）。
应用将函数执行结果反馈给模型：应用把函数执行的原始输出结果（如 API 返回的 JSON 数据）与上下文提示词一并传入模型，使其能够基于数据生成用户可理解的回答。
大语言模型生成最终响应或继续调用，模型接收到函数执行结果后，会决定：
如果问题尚未解决，继续触发后续的工具调用，直到获得足够信息。
直接基于结果生成最终自然语言答案，或
4 实际案例展示
我用一个简单的例子来解释Function Call的工作原理：
如果我现在问ChatGPT：杭州今天天气如何？内部是怎么运作的呢？
第 1 步：用户提问
- 用户：输入提示词（Prompt） → “杭州今天天气如何？”
第 2 步：应用 (ChatGPT)
ChatGPT 接收到用户问题。
ChatGPT 需要判断：这个问题能直接回答吗？还是要调用外部数据？
ChatGPT 发现：天气是实时数据，自己“不会算”，于是决定调用外部函数。
函数声明（Function Declaration），应用层（比如 ChatGPT 产品）会提前写好一组函数的定义（声明），比如：
每个函数都会有名字（name）、描述（description）、参数（parameters schema）。
定义的格式必须符合OpenAI 规范（目前是 JSON Schema），这样模型才能正确理解。
get_weather(location, date)get_stock_price(symbol, date)get_inventory(item_id)
第 3 步：模型生成调用参数模型收到“用户问题 + 函数声明”后，先理解用户需求，再在可用函数里选择合适的一个，并生成调用所需的函数名和参数，例如：
函数名：get_weather 参数：{location=杭州,date=2025-09-21}第 4 步：函数调用 API
- ChatGPT 向天气 API发送请求。
- API 返回结果：
{ "temperature": "28°C", "condition": "多云" }第 5 步：应用返回答案
- Function Call调用的结果给到模型；
- 模型生成答案给到应用ChatGPT；
- ChatGPT最终响应给用户；
5 什么是“把函数注册到模型中”
在 Function Call 的机制里，有一个常见的问题是：模型本身并不知道你有哪些函数。那么，如何让模型“知道”并正确调用呢？这就涉及到函数注册的过程。
通过 Prompt 告诉模型
- 在调用模型时，除了用户的自然语言问题，还需要在 Prompt 中一并写入函数的定义。
- 定义包括：函数名、参数类型、参数说明、返回值格式，甚至权限或使用场景。
- 这样，模型在推理时会把这些函数当作“候选工具”，并选择合适的一个生成参数。
- 在前面章节的示例里，我展示过一个较复杂的 Prompt，它把所有函数的描述一次性写清楚，每次调用模型时，函数定义会和用户问题一起传入。
通过 API 调用参数传递（tools 字段）
- 在程序层面，调用大模型时通常会有一个
tools字段（或类似参数）。 - 你可以把需要的函数用 JSON Schema 的格式列出来：包括函数名、参数、说明等。
- 当请求发给大模型时，这些函数就相当于被“注册”进了模型当前的上下文。
- 模型在生成响应时，会根据工具的定义返回结构化的函数调用请求。
所谓“函数注册到模型中”，并不是把函数永久写进模型，而是在每次会话或调用时，通过 Prompt + tools 参数，把函数的定义临时交给模型。模型就能在推理时“记住”这些函数，并在需要时调用。
prompt 和 tools 参数都需要在调用模型 API 时一并传入。
05 Function Call与MCP(Model Context Protocol )、Agent关系
有了 Function Call，模型能“调一次工具”。但真实业务往往不是一次就完，还牵涉到先调谁、怎么排顺序、失败如何重试，以及工具如何被统一接入与复用。于是就有了两条演进线：Agent负责把多步流程编排成闭环，MCP负责把工具接入标准化、可发现、可治理。接下来我们就讲它们与 Function Call 的关系。
Function Call与MCP关系：
MCP 把“工具/函数”的定义与托管从应用层挪到独立的 MCP Server。你按统一 Schema（名字、参数、返回值、权限等）在各台服务器上暴露工具；应用侧只要作为MCP Client连接这些服务器，就能自动发现并调用工具，不再为每个客户端/每个模型重复接入一次。像Cursor、Dify、ChatGPT（自定义连接器/Responses API）都已经能作为 MCP 客户端对接远程 MCP 服务器，用的就是这一套标准。
更严谨地说：MCP ≠ 只是“函数换了个放置位置”：
- Function Call：描述“如何调用一个工具”的模型行为（选择工具 → 产出结构化参数 → 执行 → 回传结果）。
- MCP：描述“工具如何被发现与接入”的协议层（服务发现、能力声明、会话与鉴权、可观测、跨应用复用）。
- 典型链路是：MCP 负责发现/接入→ 模型在客户端内用Function Call产出参数 → 客户端调用该 MCP 工具并回传结果给模型。换言之，MCP 是“接线标准”，Function Call 是“用电方式”。
所以说，MCP未来可以形成规模商业化模式：
- 商业模式：既然 MCP 解决了“工具可复用、跨应用接入”的问题，那在 Server 端确实可以设计为按调用次数、按 QPS、按并发量收费，就像现在的 API（OpenAI、Stable Diffusion、各类 SaaS API）一样。
与Agent关系：
- MCP Server 里暴露了若干工具（搜索、数据库、RAG、第三方 API 等），MCP 把工具摆到桌面上。
- MCP Client（如 ChatGPT、Cursor、Dify）连上去，把这些工具“挂载”到模型可见的环境。
- Agent 决定怎么用这些工具完成目标，形成执行逻辑，决定先调哪个工具、后调哪个工具，利用 Function Call机制来一步步调用 MCP 工具，直到达成目标。
因此未来可能会出现：Agent-as-a-Service + MCP 工具市场。
普通人如何抓住AI大模型的风口？
领取方式在文末
为什么要学习大模型？
目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。
目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。
随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
最后
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
大模型全套学习资料展示
自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！
01教学内容
从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！
大量真实项目案例：带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
02适学人群
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
vx扫描下方二维码即可
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
03入门到进阶学习路线图
大模型学习路线图，整体分为5个大的阶段：
04视频和书籍PDF合集
从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
05行业报告+白皮书合集
收集70+报告与白皮书，了解行业最新动态！
0690+份面试题/经验
AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）
07 deepseek部署包+技巧大全
由于篇幅有限
只展示部分资料
并且还在持续更新中…
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
