一句话总结：Function Calling 是连接模型与外部能力的协议——模型负责判断"该调什么、参数是什么"，应用负责真正执行，结果回填后交还模型组织答案；它通过 tools（JSON Schema）+ tool_calls（模型输出）+ tool_choice（控制策略）三个字段完成闭环。

核心思想

模型不运行你的代码，只输出"调用意图"——真正执行由应用完成。数据库查询、天气接口、订单系统都能用同一套模式接入。

完整流程（面试默写）

1. 定义 tools：函数转 JSON Schema（name/description/parameters）
2. 请求带 tools=[...] 调用 chat.completions.create()
3. 模型判断 → 返回 tool_calls（function name + arguments）
4. 应用执行对应函数，拿到真实结果
5. 结果作为 tool 消息回填给模型
6. 模型基于工具结果组织最终答案

tools Schema 结构

{
  "type": "function",
  "function": {
    "name": "get_weather",
    "description": "查询指定城市天气，当用户问天气时使用",
    "parameters": {
      "type": "object",
      "properties": { "city": { "type": "string", "description": "城市名" } },
      "required": ["city"]
    }
  }
}

• description 写清"什么时候用"能显著提高模型命中率
• parameters 用 JSON Schema：object 类型 + properties + required

tool_choice：控制调用策略

取值	行为
auto（默认）	模型自主决定 0 次以上
required	至少调用 1 次工具
{"type":"function","name":"X"}	强制调用特定函数
none	禁止工具调用

• 强制调用常用于"必须走工具"的流程（如必须查询数据库再回答）

与 MCP 的关系（面试区分）

• Function Calling：模型 API 层协议——"怎么声明工具、怎么返回调用"
• MCP：工具标准化协议——"工具怎么被发现、怎么被调用"（见 AI基础概念-MCP协议）
• 两者互补：Function Calling 是调用机制，MCP 是生态标准

面试要点

• 能默写 6 步调用流程
• 能写出一个 tools schema 并讲清 description 的作用
• 能说出 tool_choice 四种取值及强制调用场景
• 能区分 Function Calling 与 MCP

相关概念

• [AI-Agent-工具调用](/学习笔记/AI技术/AI Agent/AI-Agent-工具调用) — Agent 侧的工具循环
• AI基础概念-MCP协议 — 工具标准化协议
• AI基础概念-流式输出与结构化输出 — 调用参数的进阶形态
• [AI-Agent-核心设计模式](/学习笔记/AI技术/AI Agent/AI-Agent-核心设计模式) — ReAct 循环中的工具步骤