了解 LLM 的函數調用 Function Calling

Function calling 是什麼？

Function calling 讓 LLM 在對話過程中自己判斷要不要呼叫一個事先定義好的函數，再把函數執行的結果組織成回答交給使用者。這件事之所以重要,是因為模型本身只認識訓練當下凍結的知識——它答不出「現在」的天氣、股價或庫存,除非有辦法把外部世界的即時資料接進來。Function calling 就是這條接線。

整個流程大致是這樣跑的：

使用者提問：使用者輸入一句話，模型判斷這句話背後需要調用某個函數才能回答。
函數觸發：模型解析輸入內容，決定該叫哪一個函數。
函數執行：模型輸出一個包含函數名稱與參數的 JSON，實際的呼叫則由開發者的程式碼去執行。
回應交付：函數執行完的結果丟回給模型，模型再用自然語言把結果講給使用者聽。

官方文件在這裡：OpenAI Actions 介紹，中文版可以看這份翻譯文件。

Function calling 能拿來做什麼？

四種最常見的場景：

查詢即時資料回答問題：例如「伯利茲的天氣怎麼樣？」會被轉換成類似 `get_current_weather(location: string, unit: 'celsius' | 'fahrenheit')` 的函數呼叫。
抽取與標記資料：例如從一篇維基百科文章裡把人名都抓出來。
把自然語言轉成 API 呼叫或資料庫查詢：讓使用者用講的就能觸發後端操作，不用自己寫查詢語法。
對話式知識檢索：讓模型可以邊聊邊查知識庫，而不是只能回答訓練資料裡背過的內容。

怎麼實作一個 function calling 範例？

拿「查詢台北市今天天氣」當例子最直觀。一般 LLM 回答不了這種即時性問題,因為訓練資料本來就不含當下的天氣。解法是把模型的 function calling 能力和外部工具接起來——讓模型自己決定要呼叫哪個函數、帶什麼參數,實際的資料抓取交給你寫的程式去做,模型只負責把結果組成人話。

假設使用者問：

台北市今天的天氣如何

要接上外部 API，得先在模型的介面裡「註冊」這些函數，把函數的用途和參數說明一併傳給模型，模型才有辦法在對的時機挑出對的函數。這篇範例用的是公開的 Weather.gov API，拿到預報要分兩步：

把經緯度丟給 `api.weather.gov/points`，換回 WFO（天氣預報辦公室代碼）、grid-X、grid-Y 三個座標值。
把這三個值丟進 `api.weather.gov/forecast`，才拿得到該座標對應的天氣預報。

下面是這兩支 API 的 OpenAPI 3.1 schema，定義了每個 endpoint 要收什麼參數、回什麼格式：

```yaml

openapi: 3.1.0

info:

title: NWS Weather API

description: Access to weather data including forecasts, alerts, and observations.

version: 1.0.0

servers:

url: https://api.weather.gov

description: Main API Server

paths:

/points/{latitude},{longitude}:

get:

operationId: getPointData

summary: Get forecast grid endpoints for a specific location

parameters:

name: latitude

in: path

required: true

schema:

type: number

format: float

description: Latitude of the point

name: longitude

in: path

required: true

schema:

type: number

format: float

description: Longitude of the point

responses:

'200':

description: Successfully retrieved grid endpoints

content:

application/json:

schema:

type: object

properties:

type: object

properties:

forecast:

type: string

format: uri

forecastHourly:

type: string

format: uri

forecastGridData:

type: string

format: uri

/gridpoints/{office}/{gridX},{gridY}/forecast:

get:

operationId: getGridpointForecast

summary: Get forecast for a given grid point

parameters:

name: office

in: path

required: true

schema:

type: string

description: Weather Forecast Office ID

name: gridX

in: path

required: true

schema:

type: integer

description: X coordinate of the grid

name: gridY

in: path

required: true

schema:

type: integer

description: Y coordinate of the grid

responses:

'200':

description: Successfully retrieved gridpoint forecast

content:

application/json:

schema:

type: object

properties:

type: object

properties:

periods:

type: array

items:

type: object

properties:

number:

type: integer

name:

type: string

startTime:

type: string

format: date-time

endTime:

type: string

format: date-time

temperature:

type: integer

temperatureUnit:

type: string

windSpeed:

type: string

windDirection:

type: string

icon:

type: string

format: uri

shortForecast:

type: string

detailedForecast:

type: string

```

模型會先看 schema 最上面的 `info`（尤其是 `description`），判斷這個 API 跟使用者的問題有沒有關係；再往下看每個 path 定義了哪些操作。`parameters` 那一段則負責告訴模型每個欄位實際代表什麼——比如 `office` 這個參數,schema 裡寫明是「天氣預報辦公室 (WFO)」,模型看到這行說明才知道該塞什麼值進去。

實際查詢時，`/points` API 回傳的結果長這樣：

```json

{

"latitude": 38.9072,

"longitude": -77.0369

}

```

再丟進 `/forecast` API，換回這三個座標：

```json

{

"wfo": "LWX",

"x": 97,

"y": 71

}

```

實際在瀏覽器或 API 測試工具裡跑起來,兩支 API 的請求與回傳大概長這樣：

weather.gov 的 points 與 forecast API 呼叫範例

手寫 OpenAPI schema 太累怎麼辦？

不想自己一行一行刻 YAML,OpenAI 提供了一個專門做這件事的 GPT：ActionsGPT。餵給它一份文件、一段 curl 指令，或直接描述 API 怎麼用，它就能生出對應的 OpenAPI schema 草稿。

ActionsGPT 的操作介面，可貼上文件或 curl 指令生成 OpenAPI schema

怎麼測試寫好的 API schema？

寫完 schema 別急著接上模型,先用 Postman 跑一遍。免費註冊、錯誤訊息給得夠細、驗證方式支援得也全,而且可以直接匯入寫好的 OpenAPI 檔案,不用自己重新建 request：

如果 API 需要驗證（API Key、OAuth 之類的），可以參考官方的身份驗證文件，裡面列了幾種常見的驗證方式怎麼接。

常見問題

QFunction calling 和一般的 API 呼叫有什麼不同？

一般 API 呼叫是開發者自己在程式裡寫死「什麼時候呼叫哪個函數」；function calling 則是把決策權交給模型——模型讀了使用者的話之後,自己判斷要不要呼叫、呼叫哪一個、帶什麼參數。實際發送 HTTP 請求的動作仍然是開發者的程式在做,模型只負責產生呼叫的意圖跟參數。

Q沒有 function calling，LLM 就完全查不到即時資料嗎？

對,純粹的 LLM 本身答不出訓練資料截止之後的事情。要嘛透過 function calling 接外部 API,要嘛用其他檢索方式（例如 RAG）把最新資料塞進 prompt,兩者思路不同但目的一樣：把模型不知道的東西想辦法餵給它。

參考資料

OpenAI 官方文件，Function calling / tool calling 指南，說明工具定義、呼叫流程與 JSON schema 寫法，存取日期：2026-08-27。https://developers.openai.com/api/docs/guides/function-calling
National Weather Service，Weather.gov API 文件，範例中查詢天氣預報所使用的公開 API 說明，存取日期：2026-08-27。https://www.weather.gov/documentation/services-web-api

關於作者 {#author}

Claire Chang ｜企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2024-10-10

了解 LLM 的函數調用 Function Calling

Function calling 是什麼？

Function calling 能拿來做什麼？

怎麼實作一個 function calling 範例？

手寫 OpenAPI schema 太累怎麼辦？

怎麼測試寫好的 API schema？

常見問題

QFunction calling 和一般的 API 呼叫有什麼不同？

Q沒有 function calling，LLM 就完全查不到即時資料嗎？

參考資料

延伸閱讀

關於作者 {#author}