Function Calling 是什么？

Function Calling 是大模型（如 GPT-4）通过结构化方式调用外部工具（functions/tools）来增强自身能力的一种机制。它让模型不仅能理解和生成文本，还能根据用户需求自动选择、组合和调用不同的工具。

场景一：多问题并行处理

当一个 prompt 同时包含多个问题时，大模型会自动调度多个相关的 function call 并行处理。例如：

用户输入：
“请告诉我北京的天气，并计算 1234322-2134。”

模型会分别调用天气查询和计算器两个工具：

场景二：带有逻辑判断的多步推理

如果 prompt 包含条件判断，大模型会自动拆解为多个 function call，按逻辑顺序依次执行。例如：

用户输入：
“how's the weather in Beijing in ℃? calculate 1234322-2134 if it is higher than 15 ℃”

1. 首先调用 get weather 获取气温：
   
2. 判断气温（如 62.42°F）是否高于 15℃，如果满足条件，再调用 basic calculator 进行计算：
   

Function Calling 的能力边界

通过上述例子可以看出，单一大模型具备以下能力：

1. 自动拆解问题：理解问题结构，确定数据依赖和优先级，合理安排工具调用顺序。
2. 自主决策调用：根据上下文判断是否需要调用某个工具。
3. 参数收集与上下文判断：在具备所有必要参数后，自动完成最终回答。

对于简单场景，Function Calling 已经足够：

• 问题结构简单，所需上下文较短，模型输出质量高。
• token 消耗较低，响应速度快。
• 串行或有限多轮调用即可完成任务。

为什么还需要 Agent？

但在复杂场景下，Function Calling 也有局限：

• 上下文变长，模型理解和输出质量下降。
• 多轮嵌套导致 token 消耗激增。
• 串行处理流程变慢，效率降低。

此时，就需要引入更强的 Agent 框架，进行更复杂的任务编排和流程管理。

---

总结：Function Calling 让大模型具备了自动调用工具的能力，适合大多数简单和中等复杂度的场景。对于更复杂的多步推理和流程编排，Agent 则是更优的选择。