深入解析 Function Calling 机制，阐述其作为连接大模型与业务系统的关键桥梁作用。文章分析了自然语言接口的演进历程，指出大模型在知识时效性与逻辑推理上的局限性，说明接入外部工具与真实数据的必要性。详细讲解了 Function Calling 的定义、工作流程及参数构造，列举了百度文心、MiniMax、ChatGLM3 等国产模型的支持情况。对比 OpenAI Plugins 与 Actions 的演进差异，探讨了 GPTs 及其替代平台的技术特点。最后总结了 Function Calling 在提升模型能力、数据准确性及用户体验方面的价值，并为开发者提供了集成建议与未来展望。
本文重点介绍 Function Calling 的机制和应用，在其原理基础上，深入讲解为什么会有 Plugin、GPTs 等技术的出现。核心要点如下：
本文将主要以 ChatGPT 为例进行讲解，因为其在当前公认的能力表现上具有代表性。
我们以前的接口经历了多个版本的进化，从早期的命令行到图形界面，再到 Web API，媒介发生很多变化，但都离不开一个共同点，那就是要有约定、有规划、要有程序员的对接实现。
而在面对以 ChatGPT 为代表的一系列大模型时，我们面对的是自然语言的接口。在这个强大的能力加持下，我们在面对计算机等智能设备时，可以用自然语言对它发出指令，实现我们的意图。
这里重新强调这一点，是因为我们要清楚，面对 AIGC 的重大革新，不管是在日常生活中使用 LLM，还是基于 LLM 做应用开发，思维上首先要转变的就是要把计算机当成一个人。有了这个认识，接下来我们才能更好地使用它。
有的伙伴可能会说，大模型既然能力已经很强了，为什么还要连接外部世界呢？之前我们也讲过，大模型有它自己的能力缺陷，或者说不擅长的地方：
它表现出的逻辑、推理，是训练文本的统计规律，而不是真正的逻辑，所以容易产生幻觉。
为了解决这个问题，就是我们所说的要连接外部世界：大模型需要连接真实世界，并对接真逻辑系统。
Function Calling 技术可以把大模型和业务系统连接，实现更丰富的功能。我们先看下它的由来和定义，以及用途，就能理解这一点了。
函数调用（Function Calling） 是 OpenAI 发布的新能力。根据官方描述，函数调用能力可以让模型输出一个请求调用函数的消息，其中包含所需调用的函数信息、以及调用函数时所携带的参数信息。这是一种将 GPT 能力与外部工具 / API 连接起来的新方式。
支持函数调用的新模型，可以根据用户的输入自行判断何时需要调用哪些函数，并且可以根据目标函数的描述生成符合要求的请求参数。
它的使用逻辑是这样的：
Function Calling 完整的官方接口文档展示了详细的 JSON Schema 规范。我们可以看到，对于人来讲，我们还是一段自然语言的 prompt 输入，得到一个自然语言的回答，但是因为有了 Function Calling，可以通过开发各种各样的函数，来丰富和增强大模型的能力。
我们来看一个 Function Calling 的简单使用实例：
需求：定义一个函数，可以让 ChatGPT 进行精确的数学计算，并返回精确结果。
实现：
# 伪代码示例：定义函数描述
functions = [
{
"name": "sum",
"description": "Calculate the sum of a list of numbers",
"parameters": {
"type": "object",
"properties": {
"numbers": {
"type": "array",
"items": {"type": "number"},
"description": "List of numbers to sum"
}
},
"required": ["numbers"]
}
}
]
输出结果：
当用户询问 1+2+...+10 时，模型可能不会直接计算，而是触发函数调用：
{
"tool_calls": [
{
"id": "call_EoBm8iVtl000rAZSyWe9qlk8",
"function": {
"arguments": "{\"numbers\":[1,2,3,4,5,6,7,8,9,10]}",
"name": "sum"
},
"type": "function"
}
]
}
随后系统执行求和函数返回 55，最终回复给用户：
The sum of 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 is 55.
Function Calling 会成为所有大模型的标配，支持它的越来越多，不支持的大模型在某种程度上是不大可用的。
百度文心系列大模型有四个。按发布时间从早到晚是：
参数大体和 OpenAI 一致。
tools 而不是 function 来做参数，其它和 OpenAI 1106 版之前完全一样。和 OpenAI 1106 版之前完全一样。
第一次尝试用 Plugins 连接真实世界，但产品很不成功，原因：
第二次尝试，升级为 Actions，内置到 GPTs 中，解决了落地场景问题。
小瓜 GPT 已经接入了高德地图 actions，可以试试问位置相关的问题。
工作流程：
和 Function Calling 有点不一样，但是基本原理都是一样的。
把 API 对接到 GPTs 里，只需要配置一段 API 描述信息：
openapi: 3.1.0
info:
title: 高德地图
description: 获取 POI 的相关信息
version: v1.0.0
paths:
/text:
get:
description: 根据 POI 名称，获得 POI 的经纬度坐标
operationId: get_location_coordinate
parameters:
- name: keywords
in: query
description: POI 名称，必须是中文
required: true
schema:
type: string
还需要配置 API key 来满足权限要求。
这里的所有 name、description 都是 prompt，决定了 GPT 会不会调用你的 API，调用得是否正确。
推荐两款平替：
有这类无需开发的工具，为什么还要学大模型开发技术呢？
在实际落地场景中，给了开发者提供了更多的自由度，我们可以加强输入，也可以整合输出，来增强自己业务的目的。以下是几点关键建议：
Function Calling 的成功率很大程度上取决于对函数描述的 Prompt 质量。确保 description 清晰明确，涵盖边界条件。如果模型经常误调用，可以尝试增加 Few-Shot 示例或调整温度参数（Temperature）。
外部 API 可能会失败。在接收到 Function Call 后，必须做好异常捕获。如果函数执行失败，应将错误信息回传给模型，让它尝试修正参数或告知用户，而不是直接抛出异常中断流程。
Function Calling 允许模型执行任意代码或 API 调用，存在安全风险。务必对可调用函数进行白名单限制，避免模型调用敏感操作（如删除数据库）。同时注意不要将 API Key 硬编码在客户端，应通过后端代理转发。
每次 Function Call 都会产生额外的 Token 消耗和网络延迟。在设计业务流程时，尽量合并多次调用，减少交互轮次。对于高频调用的简单任务，考虑缓存结果。
大模型需要，且我们一直都在努力连接外部世界，从 ChatGPT 的 Plugin，到 GPTs，再到 Function Calling。我们都想给大模型更丰富，更强大的能力。
大模型中的 Function Calling 更是一种强大的功能，它能够增强模型的功能、提高数据的准确性并提升用户体验。随着技术的不断发展，Function Calling 的应用场景将会越来越广泛，为人工智能领域的发展带来更多的可能性。
同时，在实际落地场景中，给了开发者提供了更多的自由度，我们可以加强输入，也可以整合输出，来增强自己业务的目的。掌握这项技术，意味着能够构建出真正具备行动能力的智能体，而不仅仅是聊天机器人。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online