一句話定義
Function Calling（函式呼叫）是讓 AI 模型輸出一段結構化 JSON、指定「該呼叫哪個功能、帶什麼參數」的機制，模型只負責決定，執行交給你的程式。
30 秒看重點
- 是什麼：Function Calling 是模型把「我想做這件事」寫成機器讀得懂的格式，交給外部程式去跑。
- 為什麼重要：沒有它，AI 就只能講話；有了它，AI 才開始查資料、寄信、下單，變成會做事的東西。
- 跟誰相關：串接 API 的工程師、評估 AI 導入的主管，還有每天用 ChatGPT 查即時資訊的一般使用者。
- 最常見的誤解：以為模型自己會執行那個功能，其實模型從頭到尾沒碰過你的程式碼。
- 記住這件事就夠了：模型只是填單的人，跑腿的還是你寫的程式，權限也是你給的。
Function Calling 到底是什麼？
Function Calling 是一種「模型填單、程式執行」的分工方式：你先用固定格式告訴模型有哪些功能可以用，模型判斷該用哪一個之後，回你一段包含功能名稱與參數的 JSON，實際去執行的是你的程式。
這套做法是 OpenAI 在 2023 年 6 月 13 日正式做成 API 功能的。當時的公告寫得很直白：開發者可以把函式描述給 gpt-4-0613 與 gpt-3.5-turbo-0613，模型會自己判斷什麼時候該呼叫，並回傳符合函式簽名的 JSON。同一篇公告順便降價，gpt-3.5-turbo 便宜 25%，text-embedding-ada-002 直接砍 75%（那一年大家還在為降價尖叫 XD）。
Anthropic 的官方文件把這件事講得更狠一句：模型永遠不會自己執行任何東西，它只發出一個結構化的請求，程式碼跑完再把結果餵回對話裡。
生活比喻：你可以想像成速食店的點餐機。你按了「大薯加可樂去冰」，機器不會自己去炸薯條，它只印一張規格清楚的單子送進廚房，廚房才是真的在油鍋前面的人。Function Calling 就是這樣，模型是那台很會理解你在講什麼的點餐機，你的程式是廚房。單子填錯欄位，廚房也不收。
為什麼會有 Function Calling？
因為模型本身有兩個天生的缺陷，光靠生成文字補不起來。
問題一：它不能動手。 模型可以把「幫你寄一封信給客戶」寫得非常漂亮，但信不會寄出去。查今天匯率、查資料庫裡的訂單狀態也一樣，這些資料不在它的訓練資料裡，硬要它答，它就開始編，也就是我們常講的 AI 幻覺。
問題二：它講的是人話，你的程式要的是欄位。 早年大家的做法是讓模型自由回答，再用一堆字串比對硬挖出意圖，挖到懷疑人生。Anthropic 文件有一句話我覺得可以裱起來：如果你正在寫正規表達式從模型輸出裡挖出一個決定，那個決定本來就該是一次工具呼叫。
所以 Function Calling 做的事情很單純：把「決定」這件事從自由文字裡拉出來，變成一份有欄位、有型別、有必填檢查的表單。
Function Calling 是怎麼運作的？
運作邏輯是一個來回的迴圈：模型提出要求、你的程式執行、結果再送回模型，直到它不再要求為止。
以 Anthropic 官方文件描述的流程為例，實際上是這三步：
- 你先定義工具：一個工具定義只有三個部分，名稱、描述、以及用 JSON Schema 寫的輸入格式。描述寫得含糊，模型就會挑錯工具，這步看起來最不起眼，卻最容易翻車。
- 模型決定要呼叫誰：模型回應時會帶
stop_reason: "tool_use"，內容裡是它挑好的工具名稱跟它自己填的參數。這時候你的程式接手，真的去查資料庫、真的去打那支 API。 - 把結果送回去：執行完的輸出包成
tool_result再送一次請求，模型讀到結果才接著講人話。只要stop_reason還是tool_use，這個迴圈就繼續轉。
名詞小教室：JSON Schema 是一份描述「這份資料長什麼樣」的規格書，規定哪些欄位必填、型別是數字還是文字。就像掛號單上的格線，生日欄不能填「明天」。OpenAI 後來加的 strict 模式，就是靠這份規格書限制模型只能吐出合格式的內容。
順帶一提，工具不一定都跑在你家。Anthropic 把工具分成三種：你自己寫的、官方訂好規格但你來執行的（像 bash、text_editor），以及直接跑在官方伺服器上的（像 web_search、code_execution）。第三種你連 tool_result 都不用組，結果回來就已經是煮好的了。
Function Calling 跟 MCP 差在哪？
先講結論：Function Calling 是模型「怎麼開口要」，MCP 是這些要求「怎麼被搬到別的系統也能用」，兩個是上下游，不是二選一。
| 比較項目 | Function Calling | MCP |
|---|---|---|
| 解決什麼問題 | 讓模型輸出結構化的呼叫意圖 | 讓工具能被統一發現、呼叫、管理 |
| 存在形式 | 各家 API 的參數格式 | 建在 JSON-RPC 2.0 上的開放協定 |
| 綁定程度 | 工具定義寫死在你的應用裡 | 用戶端與伺服器分離，可跨模型重用 |
| 新增工具成本 | 通常要改程式再重新部署 | 掛一台伺服器，工具自己被發現 |
| 我會在什麼情況選它 | 一兩個工具、只服務單一模型的小專案 | 工具數量會長大、要跨廠商共用時 |
從這張表可以看出來，MCP 不是來取代 Function Calling 的，它是把「怎麼執行、怎麼被找到」這層抽出來變標準，模型那端該填的單子還是要填。所以你會看到 MCP 的三個核心原語裡有 Tools，也有 Function Calling 沒有的 Resources 跟 Prompts。
你會在哪些 AI 工具看到 Function Calling？
你在用的 AI 產品，只要它會「去查東西」，底下跑的多半就是這套。
- ChatGPT、Claude 查即時資訊：你問今天的新聞，它跑去搜尋再回來回答，那次搜尋就是一次工具呼叫。
- Gemini API 的三種模式：Google 讓你用 AUTO、ANY、NONE 控制模型的自由度。AUTO 是預設，模型自己決定要不要呼叫；ANY 是強迫它每次都得呼叫；NONE 則是暫時關掉，工具定義留著但不准用。
- 各種 AI 代理產品：Agent 之所以能連續做完好幾個步驟，就是靠一次又一次的工具呼叫串起來的。
如果你是工程師，OpenAI、Anthropic、Google 三家的 API 都有各自的寫法，名字有的叫 function calling、有的叫 tool use，概念一樣。想比較模型的實力，柏克萊有個 BFCL（Berkeley Function Calling Leaderboard）專門評這件事，目前到 V4，用抽象語法樹的方式檢查模型呼叫得對不對，也一併看成本跟延遲，比看行銷簡報實在多了。
學 Function Calling 最常見的 3 個誤解
- 誤解一：模型會自己執行功能 — 真相是它連你的程式碼長怎樣都沒看過，它只看得到你給的規格跟你回傳的結果。執行、權限、出包，全都在你這邊。
- 誤解二：開了 strict 模式就不會亂講 — 真相是 strict 用限制解碼保證格式一定對，OpenAI 說
gpt-4o-2024-08-06在複雜 JSON Schema 的遵循度可以到 100%，而舊的gpt-4-0613不到 40%。可是它管的是格式，不是內容。模型被逼著一定要填欄位時，反而更容易掰一個看起來很合理的數值出來（尤其是天氣、股價這種即時資料）。 - 誤解三：工具接上去就沒事了 — 真相是工具接得越多，被騙的面積越大。資安圈已經把它對到經典的混淆代理人問題：一份被動了手腳的網頁或文件，可能誘導 AI 去呼叫它本來不該碰的工具。
你以為在給它工具，其實在給它鑰匙給權限前先想清楚最壞會發生什麼。
想多了解 Function Calling，從哪開始？
「我不寫程式，也需要懂這個嗎？」我覺得懂一件事就夠了：AI 幫你做的每個動作背後都有人給過權限，出事的時候要問的是那個權限誰開的。
如果你會寫一點程式，最快的路是拿官方文件的範例照做一次，親手體驗「模型回一段 JSON、你自己去查、再塞回去」的迴圈。跑過一次就懂了，真的不難。
常見問題 FAQ
Function Calling 跟 AI 有什麼關係？
Function Calling 是 AI 模型與外部世界溝通的標準做法。模型本身只能生成文字，透過 Function Calling，它可以輸出結構化的呼叫請求，讓應用程式代替它查詢資料、執行動作，再把結果送回模型繼續回答。
為什麼 Function Calling 突然這麼紅？
因為 AI 代理在 2025 到 2026 年變成主流產品形態。OpenAI 在 2023 年 6 月推出這個功能時，它還只是連接外部 API 的便利工具；等到大家開始做能連續執行多步驟的 Agent，每一步都是一次工具呼叫，這個機制就從加分項變成基礎建設。
我不是工程師也需要懂 Function Calling 嗎？
不需要會寫，但知道原理有幫助。理解模型只是提出請求、實際執行的是應用程式之後，你會更清楚 AI 助理能做什麼、不能做什麼，也比較知道在授權它連接你的信箱或行事曆時，風險落在哪裡。
Function Calling 的中文翻譯有沒有統一？
台灣多數技術文件直接沿用英文原詞 Function Calling，中文則寫成函式呼叫。中國比較常用「函數調用」的說法。本站採用「函式呼叫」，因為 function 在台灣的程式教育慣譯就是函式，調用則是大陸用語。
學會 Function Calling 之後，下一個該學什麼？
建議往兩個方向走。想了解工具怎麼被標準化管理，就看 MCP；想知道這些呼叫串起來會變成什麼，就看 AI Agent。這三個詞合起來，大致就是 2026 年 AI 應用的骨架。
延伸閱讀
- MCP 是什麼？Anthropic 推的 AI 工具標準 — 把工具呼叫變成跨廠商共用標準的那層協定。
- AI Agent 是什麼？不只回答問題，還會幫你動手把事做完 — 工具呼叫一次接一次，串起來就是 Agent 的執行迴圈。
- AI 幻覺（Hallucination）是什麼？ — 為什麼模型查不到資料時會自己編一個出來。
- 輝達推論晶片量產，3 大訊號指向同一件事 — 文中提到 AI 代理人跑一串工具呼叫時，卡住的其實是輸出速度。
參考來源
- How tool use works｜Claude Platform Docs — 工具定義的三個部分、
stop_reason: "tool_use"迴圈流程、模型不自行執行、三種工具執行位置。 - Function calling and other API updates｜OpenAI — 2023 年 6 月 13 日推出時支援的模型與降價幅度。
- Function calling with the Gemini API｜Google AI for Developers — AUTO、ANY、NONE 三種模式的行為差異。
- Berkeley Function Calling Leaderboard (BFCL) V4｜Gorilla — 抽象語法樹評分方式與版本演進。
- MCP vs. Function Calling｜Descope — 兩者的分工關係與 MCP 的協定基礎。
整理一下重點：Function Calling 真的就是一件事，模型負責填單、你的程式負責跑腿，中間那張單子長什麼樣，是你自己定的。
希望這一篇有讓你對 Function Calling 有比較具體的理解哩～如果發現事實錯誤、定義不準、或翻譯卡卡的，歡迎透過聯絡頁指正，看到我們會盡快修。
我們下篇文章見囉～
本條目由 Array 報報 AI 編輯部根據上方「參考來源」整理，文末已揭露 AI 生成 + 公開資料引用。