一文讲解Function Calling是什么？
一般来说大模型基本是上知天文、下知地理无所不能的。但让大模型发个邮件试试，
那么在大模型发展到第二阶段也就是 Agent 阶段时，大模型需要调用第三方应用的场景就越来越多，发个邮件，问个天气等等。
目前来说实现的方案就是 OpenAI 的 Function Calling 和 Claude 的 MCP。
而 Function Calling是openai自身模型能力的工具，适合需要快速接入OpenAI生态的场景。当然其核心思想（让大模型调用外部函数/API）也被多家厂商借鉴或实现类似功能。但没有统一的标准，所以 MCP 因应而生。
这里先来介绍一下 Function Calling，
一、Function Calling 介绍
那么在 2023 年的 6 月，由OpenAI 推出了“Function Calling”。Function Calling 就是为了解决此问题。通过 Function Calling，大模型能够通过结构化输入连接到外部系统，比如通过 API 进行交互，从而实现与外部世界的连接。
通过Function Calling AI 可以与外部工具和服务连接起来，这样 AI 的能力就非常的广阔。这样可以打造更智能、更强大的人工智能。
Function Calling 技术的不断发展，我们相信它将在未来的 AI 应用中发挥越来越重要的作用。
以下是官方对整个过程的描述：
那么具体来看看在大模型中实现函数调用的具体步骤：
二、Function Calling 实现
这是我模型的一个 Python 项目，
function_calling_project/
│── src/
│ │── main.py # 主程序入口
│ │── ai_client.py # OpenAI API 客户端
│ │── function_tools.py # 定义可供模型调用的函数
│ │── handlers.py # 处理模型返回的函数调用
Step1：编写主程序
示例代码： main.py(主程序入口)
from api_client import call_model
from handlers import handle_function_call
from tools import TOOLSdef main():input_messages = [{"role": "user","content": "巴黎今天的天气如何？"}]response_output = call_model(input_messages, TOOLS)function_result = handle_function_call(response_output)if isinstance(function_result, dict):input_messages.append({"type": "function_call_output","call_id": function_result["call_id"],"output": function_result["output"]})final_response = call_model(input_messages, TOOLS)print("最终响应:", final_response.output_text)else:print("处理失败:", function_result)if __name__ == "__main__":main()
Step2：定义函数
首先，需要定义要调用的函数，它告诉模型它可以做什么以及期望什么样的输入参数。
📌 示例代码： function_tools.py(可提供给模型调用的函数)
import requestsdef get_weather(latitude, longitude):"""获取指定坐标的天气数据"""response = requests.get(f"https://api.open-meteo.com/v1/forecast?latitude={latitude}&longitude={longitude}¤t=temperature_2m")data = response.json()return data['current']['temperature_2m']TOOLS = [{"type": "function","name": "get_weather","description": "获取指定经纬度的当前气温（摄氏）。","parameters": {"type": "object","properties": {"latitude": {"type": "number"},"longitude": {"type": "number"}},"required": ["latitude", "longitude"],"additionalProperties": False},"strict": True
}]
Step3：函数定义传递给模型
调用模型时，需要将函数定义传递给模型。
📌 示例代码： ai_client.py(调用模型客户端程序)
from openai import OpenAI
client = OpenAI()input_messages = [{"role": "user","content": "巴黎今天的天气如何？"
}]response = client.responses.create(model="gpt-4.1",input=input_messages,tools=tools
)Step3：模型决定调用函数
让模型来决定是否需要触发调用函数，如果模型认为需要调用函数，它会返回相应的函数名称和函数需要输入参数。
📌 示例返回结果：
[{"type": "function_call","id": "fc_12345xyz","call_id": "call_12345xyz","name": "get_weather","arguments": "{\"latitude\":48.8566,\"longitude\":2.3522}"}
]📌 示例代码： handlers.py(处理函数调用逻辑)
import json
from tools import get_weatherdef handle_function_call(response_output):"""解析模型的函数调用请求并执行"""if not response_output:return "未返回可用数据。"tool_call = response_output[0] # 这里只处理第一个函数调用args = json.loads(tool_call['arguments'])if tool_call["name"] == "get_weather":result = get_weather(args["latitude"], args["longitude"])return {"call_id": tool_call["call_id"], "output": str(result)}return "无法识别的函数调用。"
Step4：执行函数
执行用户自己开发的函数或第三方函数，程序解析模型的响应并执行对应的函数代码。
📌 示例代码：handlers.py(处理函数调用逻辑)
result = get_weather(args["latitude"], args["longitude"])
return {"call_id": tool_call["call_id"], "output": str(result)}
Step5：返回函数执行结果
将结果提供给模型，以便它可以将信息整合到最终响应中。
📌 示例代码：
final_response = call_model(input_messages, TOOLS)
print("最终响应:", final_response.output_text)📌 示例最终输出：
“巴黎当前的气温是 14°C。”这就是在大模型中实现函数调用的完整过程！
三、总结
那我们来总结一下，就是用户把自己的函数定义给到模型，用户提问题后，模型看看要不要调用函数，当模型决定要调用函数时就生成函数需要的参数及格式，再调用函数并把结果合并，最终返回给用户。
那么这里有个比较关键的东西就是函数定义：
{"type": "function","name": "get_weather","description": "获取指定经纬度的当前气温（摄氏）。","parameters": {"type": "object","properties": {"latitude": {"type": "number"},"longitude": {"type": "number"}}}
}它会最模型决定是否要调用函数的关键， 每个函数都带有一个 description，用来告诉模型它的用途。 如果 description 明确提到天气查询，且匹配用户请求的意图，模型就可能决定调用这个函数。当然description 并不是唯一判断的依据，它还会结合其他因素。
虽然 Function Calling 实现了调取外部函数，但 Function Calling是OpenAI为自家模型设计的工具，最适合需要快速接入OpenAI生态的场景。虽然其核心思想（让大模型调用外部函数/API）被其他厂商借鉴，但各家实现方式不同，缺乏统一标准，这也正是 Claude 推出 MCP的原因。
我是栈江湖，如果你喜欢此文章，不要忘记点赞+关注！