Function Calling (函式呼叫)
Function Calling 是讓大型語言模型在需要時主動要求調用外部工具或系統程式碼的機制,使 AI 能取得即時資料並執行實際操作。
Function Calling(函式呼叫)是一種讓大型語言模型與外部系統連接的技術機制。當使用者提出的問題涉及即時資訊、特定運算或實際操作時,模型不會憑空捏造答案,而是會判斷該使用哪一個預先設定好的工具,並產生結構化的指示參數,交給後端程式去執行。
這項技術是現代 AI Agent(智慧代理)與企業自動化流程的核心積木。透過函式呼叫,語言模型不再只是一個只會純文字接話的聊天機器人,而是具備了查詢資料庫、發送通知與更新系統狀態的行動能力。
Function Calling 的核心運作原理
許多人以為函式呼叫是 AI 自己在伺服器上偷跑程式,其實並非如此。模型本身並不具備直接執行程式碼的權限,整體運作流程如下:
- 開發者定義工具清單:工程師會先準備好函式清單,並用詳細的文字說明每個工具的用途、需要哪些參數(例如格式與型態),然後將這份清單隨同使用者的提問一併送給模型。
- 模型做出決策:模型分析提問後,若發現需要外部資料,就會產出一串標準的結構化資料(通常為 JSON 格式),明確指定要呼叫的函式名稱與代入的參數值。
- 應用程式代為執行:使用者的後端系統接收到這組結構化輸出,代替模型去呼叫真實的 API 或資料庫,並取得執行結果。
- 整合並回覆自然語言:系統將執行結果再次餵回給模型,模型閱讀結果後,將其轉化為通順、易懂的自然語言回覆給使用者。
在地情境:台灣手搖飲店的智慧訂單助理
以台中一家連鎖手搖飲料店的 LINE 官方帳號為例,當顧客傳訊息說:「我要一杯微糖微冰的四季春,外送到西屯區逢甲路 20 號,可以用 LINE Pay 嗎?」
如果沒有 Function Calling,傳統模型可能只會禮貌地回覆「好的,幫您記錄」,但實際上店家的 POS 系統根本沒有收到訂單。導入函式呼叫後,後端系統會預先提供兩個工具給模型:check_delivery_range(檢查外送地址是否在服務範圍)以及 create_drink_order(建立品項訂單)。
模型讀取顧客需求後,會先輸出呼叫 check_delivery_range 的參數確認地址可外送,接著輸出 create_drink_order 所需的參數:品名「四季春」、甜度「微糖」、冰塊「微冰」、付款方式「行動支付」。店家的系統接收到這些參數後,直接將資料寫入廚房出單機與結帳台,最後才由模型禮貌地告訴顧客:「訂單已成立,預計 25 分鐘內送達西屯區逢甲路。」
為什麼要使用結構化輸出而非純文字?
在過去,如果想讓軟體讀懂 AI 的回覆,開發者必須在提示詞中苦苦哀求模型「請務必依照格式回答」,但模型偶爾還是會多講幾句客套話,導致後端程式解析失敗。Function Calling 讓模型在底層就保證輸出符合規格的鍵值對,大幅提升了自動化系統的穩定度,也讓企業整合內部 ERP 或 CRM 系統變得極為安全且可預測。
常見的觀念誤區
最常見的誤解是誤以為「開啟 Function Calling 就等於把系統控制權完全交給 AI」。事實上,安全防線完全掌握在工程師手中。模型只是負責「填寫申請表」,真正決定要不要執行查詢、要不要扣款的,依然是外部的應用程式。如果模型填寫的參數不合邏輯,後端程式可以直接攔截並拒絕執行,有效防範非預期的操作風險。
常見問題
Function Calling 跟一般的 API 串接有什麼不同?
一般的 API 串接需要人工寫死呼叫邏輯與觸發條件,而 Function Calling 是由語言模型根據對話上下文,自行理解並動態決定在什麼時機該呼叫哪一支 API,以及該填入什麼參數。
模型會不會自己偷偷執行危險的刪除指令?
不會。模型本身沒有執行權限,它只能產出結構化文字建議。所有實際的程式執行都由開發者的後端伺服器控制,系統可以設定權限過濾機制,避免執行高風險操作。
非工程師在日常使用中也會接觸到 Function Calling 嗎?
會。當你在各類智慧助理中請 AI 搜尋即時網頁資訊、繪製流程圖、或者替你的行事曆預約會議時,背後通常都是透過 Function Calling 機制完成的。
