AI人工智能-Function Call 与MCP-第十四周（小白）

一、Function Call是什么

Function Call直译是“函数调用”，但用通俗的话讲，它就是LLM 的 “工具箱使用能力”—— 就像我们遇到算不清的数学题会拿计算器，LLM 遇到自己搞不定的问题（比如查实时数据、复杂计算、翻译），会 “喊工具来帮忙”。

核心逻辑：LLM 当 “决策者”，工具当 “执行者”

LLM 的强项是理解语言、生成文本，但短板很明显：不会算复杂数学题、拿不到实时数据（比如当前股票价格）、不能直接操作硬件。Function Call 就是给 LLM 搭了个 “桥梁”，让它能：

1. 判断 “这个问题我能不能自己解决”（比如 “1+1=？” 能自己答，“AAPL 现在股价多少” 不能）；
2. 若不能，生成结构化指令（比如 JSON 格式），明确 “要调用哪个工具、给工具传什么参数”；
3. 工具执行完（比如返回 AAPL 股价 180 美元），LLM 再把结果整理成自然语言告诉用户。

简单说：Function Call 让 LLM 从 “只会聊天” 变成 “能做事”，比如查天气、订机票、分析数据库，都靠它对接外部工具。

一个直观的示例

{ "name": "translate_text", // 工具名字：翻译文本 "description": "将文本从一种语言翻译成另一种语言", // 工具功能说明 "inputSchema": { // 工具需要的输入参数 "type": "object", "properties": { "text": { "type": "string", "description": "需要翻译的文本内容" }, // 必传：要翻译的文字 "source_lang": { "type": "string", "default": "auto", "description": "源语言（默认自动检测）" }, // 可选：原语言 "target_lang": { "type": "string", "description": "目标语言（如en、ja）" } // 必传：要翻译成的语言 }, "required": ["text", "target_lang"] // 必须传的参数 } }

当用户说 “把‘我爱自然语言处理’翻译成英文”，LLM 会对照这个 “说明书”，生成指令调用translate_text工具，传入参数text="我爱自然语言处理"、target_lang="en"，工具返回 “I love natural language processing”，LLM 再把这个结果告诉用户。

二、Function Call 的大问题：各家 “接口不统一”

就像不同品牌的手机充电器接口不一样（苹果 Lightning、安卓 USB-C），不同 LLM 厂商（OpenAI、Claude、Gemini、LLaMA）的 Function Call 定义格式也不一样 —— 这给开发