1. 什么是 Function Calling？

【官方原文】：OpenAI Function Calling 官方文档

" Function calling provides a powerful and flexible way for OpenAI models to interface with external systems and access data outside their training data."

一句话说透：Function Calling 是大语言模型的一项能力：让模型在生成回复时，根据用户意图，主动输出一个结构化的函数调用请求（函数名 + JSON 参数）

{
  "name": "get_weather",
  "arguments": { "city": "北京" }
}

2. 核心流程

【官方原文】：

Function Calling 是通过 OpenAI API 实现应用与模型之间的多步对话。流程包含五个高层步骤：

  1. 用模型可以调用的工具向模型提出请求
  2. 从模型接收工具调用
  3. 在应用端执行代码，输入工具调用
  4. 向模型发送第二个请求，带着工具输出
  5. 收到模型的最终响应（或更多工具调用）

1. 用户询问模型：巴黎的天气怎么样？

{
    "tools" : [获取天气、数字计算],
    "message"："巴黎的天气怎么样呀？"
}

2. 模型返回结构化工具调用请求

{
  "name": "get_weather",
  "arguments": { "city": "巴黎" }
}

3. 应用端执行函数代码

function get_weather(city) {
  return weatherData[city];
}
// 返回结果："巴黎:多云，28°C"

4. 应用端向模型回传工具执行结果

{
    "message" : "...之前的消息",
     "output": "巴黎:多云，28°C",
}

5. 模型返回最终自然语言回答

{
  "message":  "巴黎当前的温度是28°C，多云⛅"
}

整个流程：用户提问→模型判断需要调用 get_weather，参数是"巴黎"→应用端执行函数拿到天气结果→应用端把结果整合用户的问题一起发给大模型→模型整合结果给出自然语言回答。


3. 代码演示

  1. 文件结构

    function_calling_demo/
├── node_modules/          
├── .env                   # 环境变量配置（API Key）
├── index.js               # 主程序入口
├── tools.js               # 工具定义
├── package.json           
└── package-lock.json

  2. 初始化项目

     npm init -y
 npm install dotenv openai

  3. tools工具函数（tools.js）

    const tools = [
  {
    type: "function",
    function: {
      name: "get_weather",
      description: "获取指定城市的天气",
      parameters: {
        type: "object",
        properties: {
          city: {
            type: "string",
            description: "城市名，如 北京、巴黎",
          },
        },
        required: ["city"],
      },
    },
  },
];

export default tools;

  4. 环境变量（.env）

    apiKey="...你的api_key"

  5. 主程序（index.js）

    import "dotenv/config";
import OpenAI from "openai";

// 1. 初始化 AI 客户端
const openai = new OpenAI({
  apiKey: process.env.apiKey,
  baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1",
});

// 2. 定义工具
import tools from "./tools.js";

// 3. 工具函数
function get_weather(city) {
  const data = {
    北京: "晴，26°C",
    巴黎: "多云，28°C",
    上海: "小雨，22°C",
  };
  return data[city] || "暂无天气";
}

// ---------- 控制台样式工具 ----------
const C = {
  reset: "\x1b[0m",
  bold: "\x1b[1m",
  dim: "\x1b[2m",
  title: "\x1b[36;1m",   // 青色粗体
  step: "\x1b[33;1m",    // 黄色粗体
  user: "\x1b[32m",      // 绿色
  ai: "\x1b[35m",        // 紫色
  tool: "\x1b[34m",      // 蓝色
  result: "\x1b[33m",    // 黄色
  success: "\x1b[32;1m", // 绿色粗体
  arrow: "\x1b[90m",     // 灰色
};

function line(char = "─") {
  console.log(`${C.arrow}${char.repeat(50)}${C.reset}`);
}

function step(n, text) {
  console.log(`\n${C.step}  Step ${n} │ ${text}${C.reset}`);
  line();
}

function label(tag, color, value) {
  console.log(`  ${color}● ${tag}${C.reset}  ${value}`);
}

// ============================================
//  主流程（完整的 Function Calling 循环）
// ============================================
async function run() {
  const messages = [
    { role: "user", content: "巴黎的天气怎么样？" },
  ];

  console.log(`\n${C.title}╔══════════════════════════════════════╗${C.reset}`);
  console.log(`${C.title}  ║     Function Calling  流程演示       ║${C.reset}`);
  console.log(`${C.title}  ╚══════════════════════════════════════╝${C.reset}`);

  step(1, "用户发起请求");
  label("USER", C.user, `"${messages[0].content}"`);

  step(2, "发送至 LLM，等待模型决策...");
  let response = await openai.chat.completions.create({
    model: "qwen-plus-2025-07-28",
    tools: tools,
    messages: messages,
  });

  const choice = response.choices[0];
  messages.push(choice.message);

  if (choice.finish_reason !== "tool_calls") {
    label("RESPONSE", C.ai, choice.message.content || "(空)");
    console.log(`\n${C.dim}  模型未调用工具，流程结束。${C.reset}\n`);
    return;
  }

  label("DECISION", C.ai, `finish_reason = "tool_calls" → 模型决定调用工具`);
  for (const tc of choice.message.tool_calls) {
    console.log(`\n${C.tool}  ┌─ 函数调用 ─────────────────────────┐${C.reset}`);
    console.log(`${C.tool}    │  function : ${tc.function.name}${C.reset}`);
    console.log(`${C.tool}    │  arguments: ${tc.function.arguments}${C.reset}`);
    console.log(`${C.tool}    │  call_id  : ${tc.id}${C.reset}`);
    console.log(`${C.tool}    └─────────────────────────────────────┘${C.reset}`);
  }

  step(3, "本地执行工具函数");
  for (const tc of choice.message.tool_calls) {
    if (tc.function.name === "get_weather") {
      const { city } = JSON.parse(tc.function.arguments);
      label("EXECUTE", C.tool, `get_weather("${city}")`);
      const result = get_weather(city);
      label("RESULT", C.result, result);
      messages.push({ role: "tool", tool_call_id: tc.id, content: result });
    }
  }

  step(4, "将工具结果回传 LLM，生成最终回答...");
  response = await openai.chat.completions.create({
    model: "qwen-plus-2025-07-28",
    tools: tools,
    messages: messages,
  });

  line("═");
  console.log(`${C.success}  ✦ 最终回答：${response.choices[0].message.content}${C.reset}`);
  line("═");
  console.log();
}

run();

    运行：node index.js命令：

    img

4. 和mcp的区别

  • Function Calling 是模型内置的一项能力，用于在对话中输出结构化的工具调用指令；
  • MCP是一个外部的、标准化的通信协议框架，用于连接模型与各种外部工具或数据源。

（1）Function Calling 流程

Function Calling 的核心是一个以模型为中心的、相对简单的请求-响应循环。其典型流程如下：

  1. 用户请求：应用将用户消息和可用的工具列表发送给模型。
  2. 模型决策：模型分析用户意图，若判断需要调用工具，则生成一个结构化的工具调用请求（包含函数名和JSON格式的参数）。
  3. 本地执行：应用端解析该请求，在本地执行对应的函数代码。
  4. 结果回传：应用将函数执行结果作为消息附加到对话历史中，再次发送给模型。
  5. 最终响应：模型整合工具返回的结果，生成最终的自然语言回复给用户。

整个流程的关键在于模型直接输出可执行的函数调用参数，由应用端负责执行并完成闭环。


（2）MCP 流程

MCP 则定义了一个更解耦、更标准化的架构，其流程涉及独立的组件：

  1. 工具发现与连接：一个 MCP 客户端连接到一个或多个 MCP 服务器。服务器会声明其提供的工具、资源等能力。
  2. 会话建立：客户端与服务器之间建立一个有状态的会话。
  3. 请求转发：当模型需要调用工具时，它不再直接生成函数参数，而是生成一个意图（例如，“需要查询天气”）。客户端将此意图按照 MCP 协议格式化为一个请求，并转发给对应的 MCP 服务器
  4. 服务器执行：MCP 服务器接收请求，在其环境中执行具体操作（如调用API、查询数据库），并将结果按照 MCP 协议格式化。
  5. 结果返回：服务器将结果返回给客户端，客户端再将其整合后提供给模型，以生成最终回复。

MCP 的关键在于模型不直接处理具体的函数调用格式，而是通过一个标准协议层与外部工具交互，这使得工具可以作为独立服务存在，并实现更复杂的上下文管理和能力发现。

5. 总结

Function Calling 让大模型能够主动输出结构化调用请求，由应用端执行函数并回传结果，最终生成落地回答。它连接了语言与行动，是 AI 从“理解”走向“执行”的关键一步。

大模型的本质界定了它的能力边界，却因此获得了无限的外延。真正的强大从不是全知全能，而是清醒地知道何时该低头问路。每一个结构化的函数调用请求，都是一次谦卑的求助，也是一次优雅的借力——在承认局限中，抵达更远的远方。

# 前端 # javascript # 开发语言
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

AI Agent 对比和选型

avatar AI Agent技术社区

2026企业微信AI Agent实测：7款技术方案对比

会话审计、敏感词管理、聊天质检、敏感行为识别、舆情、属性、词频及竞品分析覆盖服务风险；线索公海、客户、产品、商机、订单、回款、发票和业绩目标则连接销售全过程。快创助手负责快速建运营任务，策略生成把目标拆成方案，智能客服回答系统使用咨询，数据报表处理自然语言查数，AI洞察联合标签、订单和会话分析客户。我们设计了客户筛选、订单关联、销售交接、会话质检和异常恢复任务，配合技术访谈与行业公开资料复核。准备

avatar AI Agent技术社区
cover

如何构建 AI Agent Harness 2.0，让 AI Agent 比 99% 的开发者更工程化

avatar AI Agent技术社区