一句話定義

Tool Calling（工具呼叫）是讓 AI 模型在回答之前先要求外部工具幫忙查資料或執行動作的機制，模型只負責提出要求，執行永遠發生在模型之外。

30 秒看重點

  • 是什麼：Tool Calling 是模型舉手說「我要用這個工具、參數填這些」，然後由外面的程式或伺服器去執行。
  • 為什麼重要：你問 ChatGPT 今天的匯率、叫 Claude 讀一份網頁，底下跑的就是一次又一次的工具呼叫。
  • 跟誰相關：串 API 的工程師、要決定「AI 能碰哪些系統」的主管，以及每天在用 AI 查即時資訊的一般使用者。
  • 最常見的誤解：以為工具給越多、AI 就越聰明，實際上工具一多，它反而更容易挑錯。
  • 記住這件事就夠了：模型只是開口要，真正動手的是程式，權限是誰給的、責任就在誰身上。

Tool Calling 到底是什麼？

Tool Calling 是「模型開口要、別人動手做」的一套分工：你先告訴模型手上有哪些工具可以用，它判斷需要哪一個之後，回傳一段指名工具與參數的結構化內容，實際執行的是你的程式，或是模型廠商的伺服器。

Anthropic 官方文件對這件事的講法非常硬：模型自己不會執行任何東西（The model never executes anything on its own）。它只發出一個結構化的請求，程式跑完再把結果送回對話裡。同一份文件還有一句我覺得該裱起來：如果你正在寫正規表達式，從模型的輸出裡挖出一個決定，那個決定本來就該是一次工具呼叫。

生活比喻：你可以想像成機車行的老闆跟學徒。你牽車進去說「怠速會抖」，老闆不會自己趴下去拆，他喊一句「12 號扳手拿來」「壓縮先測一下」，真正轉螺絲的是學徒跟儀器。Tool Calling 就是這樣，模型是那個很會判斷的老闆，工具是牆上那排家私，動手的從來不是它。

為什麼會有 Tool Calling？

因為模型只會生成文字，而使用者要的常常是「去做一件事」，這中間的落差光靠寫得更漂亮補不起來。

問題一：它不能動手，也不知道現在發生什麼事。 模型可以把一封催款信寫得很得體，但信不會寄出去；你問它今天台積電收盤多少，這個數字不在訓練資料裡，硬要它答，它就開始編。

問題二：它講的是人話，你的系統要的是欄位。 早年的土法煉鋼是讓模型自由回答，再用字串比對硬挖出意圖，挖到懷疑人生（有沒有很熟悉？）。

所以 Tool Calling 做的事很單純：把「決定」從自由文字裡拉出來，變成一份有名字、有參數、有必填檢查的表單，然後把執行權留在模型外面。

Tool Calling 是怎麼運作的？

它是一個來回轉的迴圈：模型提出要求、外面的人執行、結果再送回去，直到模型不再要求為止。

以 Anthropic 官方文件描述的流程來看，實際上是三步：

  1. 先把工具攤在桌上：一個工具定義就三個部分，名稱、描述、以及用 JSON Schema 寫的輸入格式。官方講得很白，詳細的描述「是工具表現最重要的因素」，建議每個工具至少寫 3 到 4 句，說清楚它做什麼、什麼時候該用、什麼時候不該用。
  2. 模型舉手指名：模型回應時會帶 stop_reason: "tool_use"，內容裡是它挑好的工具跟自己填的參數。這時候換你的程式接手，真的去查、真的去打那支 API。
  3. 把結果送回去：執行結果包成 tool_result 再送一次，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，直到它回 end_turn 才算收工。

名詞小教室：工具不一定跑在你家。Anthropic 把工具分成三桶：你自己寫的（客戶端執行）、官方訂好規格但你來跑的（像 bash、text_editor、computer、browser），以及直接跑在官方伺服器上的（像 web_search、web_fetch、code_execution）。第三種你連結果都不用組，回來就已經是煮好的了。至於怎麼讓一整包工具跨廠商共用，那是 MCP 在管的事。

你也不是只能被動等它決定。API 的 tool_choice 有四個選項：auto 讓模型自己判斷（預設值）、any 逼它一定要用一個、tool 指定非用哪一個不可、none 則是工具留著但不准動。

Tool Calling 跟 Function Calling 差在哪？

先講結論：兩個詞現在幾乎是同一件事，Anthropic 的文件直接寫「tool use（也叫 function calling）」，差別只在涵蓋範圍與習慣。

比較項目Tool CallingFunction Calling
名字怎麼來的各家 API 後來的統稱OpenAI 2023 年推出時的原始叫法
涵蓋範圍自訂工具、內建搜尋、程式沙盒、電腦操作都算偏向「呼叫一個你定義的函式」
執行位置可能在你的程式，也可能在廠商伺服器幾乎都在你自己的程式
你要做的事內建工具開了就能用，自訂工具才要自己跑迴圈每次都要自己接住、自己執行、自己送回
我會在什麼情況用這個詞講整套「AI 動手」的能力特指模型吐出那段呼叫格式

從這張表可以看出來，這不是兩種技術在打架，是同一件事在不同年代的兩個名字，後來因為工具的種類長大了，大家才慢慢改講範圍比較寬的 Tool Calling。你想看名字比較早的那半段，可以翻函式呼叫那篇。

你會在哪些 AI 工具看到 Tool Calling？

只要你用的 AI 產品會「跑出去做點什麼」，底下多半就是這套在轉。

  • ChatGPT、Claude 查即時資訊：你問今天的新聞，它去搜尋再回來回答，那一次搜尋就是一次工具呼叫，而且是跑在廠商伺服器上的那種。
  • AI 幫你跑數字、畫圖表：程式沙盒工具讓模型真的執行一段 Python，算出來的結果才回到對話裡，不是它「心算」出來的。
  • 會操作電腦或瀏覽器的 AI：模型發出「點這裡、打這行字」的請求，執行的是你機器上的那層程式。
  • 接上公司內部系統的 AI 助理：查訂單、開工單這類動作，全都是你自己定義的工具。

如果你是工程師，OpenAI、Anthropic、Google 三家的寫法不同，但概念一致。真正會咬人的地方不在程式，在你替工具寫的那段描述，寫得含糊，模型就挑錯工具，然後你會花一整個下午 debug 一個其實是中文沒寫清楚的問題。

學 Tool Calling 最常見的 3 個誤解

  1. 誤解一：模型會自己執行工具 — 真相是它從頭到尾只看得到兩樣東西，你給的工具規格，跟你送回去的結果。中間那段真的去查、去寫、去打 API 的過程，它一眼都沒看到。
  2. 誤解二：工具給越多，AI 越萬能 — 真相是剛好相反。Anthropic 文件直說，工具超過 30 到 50 個之後，模型挑對工具的能力就開始退步；而且一組串了 GitHub、Slack、Sentry、Grafana、Splunk 的設定，光工具定義就先吃掉大約 55,000 個 token，事情都還沒開始做。官方後來乾脆做了一個「工具搜尋」工具，用到才載入，通常能省下 85% 以上的定義開銷，一次只載 3 到 5 個它真的需要的。牆上掛 500 支扳手，老闆反而找不到 12 號，就這麼簡單。
  3. 誤解三：接上工具就等於安全 — 真相是工具接越多，被騙的面積越大。MCP 規格自己就寫了，「應該永遠有一個人在迴圈裡，有能力拒絕工具呼叫」。一鍵全部允許真的很順手齁 順手的代價是，之後每一次呼叫你都不會再看到。

想多了解 Tool Calling，從哪開始？

「我又不寫程式，這關我什麼事？」關係比你想的大。你在 AI 助理上按下的那個授權鍵，決定的就是它能呼叫哪些工具、能碰你哪些資料，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，最快的路是照官方文件跑一次最小範例，親手體驗「模型舉手、你去執行、再把結果塞回去」的迴圈。跑過一次，很多爭論你就自己有答案了。

常見問題 FAQ

Tool Calling 跟 Function Calling 是同一件事嗎？

基本上是。Anthropic 官方文件直接把 function calling 寫成 tool use 的同義詞，兩者講的都是「模型輸出一個結構化的呼叫請求、由外部執行」。差別在於 Function Calling 這個名字來自 OpenAI 2023 年推出的功能，語感偏向呼叫單一函式；Tool Calling 則涵蓋內建搜尋、程式沙盒、電腦操作等更廣的工具型態。

為什麼 Tool Calling 突然這麼紅？

因為 AI 代理在 2025 到 2026 年變成主流產品形態。當 AI 要連續完成多個步驟，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。同時工具數量爆量，怎麼管理工具本身也變成新題目，Anthropic 甚至為此推出可以延後載入上萬個工具的搜尋機制。

我不是工程師也需要懂 Tool 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信箱、行事曆或公司系統時，風險落在哪裡。

Tool Calling 的中文翻譯有沒有統一？

沒有完全統一。台灣多數技術文件直接沿用英文原詞 Tool Calling 或 tool use，中文寫成「工具呼叫」；中國那邊比較常寫「工具調用」。本站採用「工具呼叫」，因為 call 在台灣的程式教育慣譯就是呼叫，調用是大陸用語。

學會 Tool Calling 之後，下一個該學什麼？

建議往兩個方向走。想知道這些工具怎麼被標準化管理、跨廠商共用，就看 MCP；想知道一連串工具呼叫串起來會變成什麼東西，就看 AI Agent。順序上先看 MCP 會比較好懂，因為它處理的正好是「工具太多、太散」這個你遲早會撞到的問題。

延伸閱讀

參考來源

  1. Tool use with Claude｜Claude Platform Docs — tool use 與 function calling 同義、客戶端與伺服器端工具的分界、內建工具清單。
  2. How tool use works｜Claude Platform Docs — 模型不自行執行、stop_reason: "tool_use" 迴圈、三種工具執行位置、什麼時候不該用工具。
  3. Define tools｜Claude Platform Docs — 工具定義的三個欄位、描述寫法建議、tool_choice 四種模式。
  4. Tool search tool｜Claude Platform Docs — 55,000 token 的定義開銷、超過 30 到 50 個工具後選擇準確度下滑、節省 85% 以上。
  5. MCP 規格：Tools｜Model Context Protocol GitHub — 工具由模型主導、tools/list 發現與 tools/call 呼叫、人要留在迴圈裡的安全要求。

整理一下重點：Tool Calling 真的就一句話，模型只會舉手說「我要用這個」，真正動手的永遠是外面的人，所以工具給誰、給多少，比模型多聰明還重要。

希望這一篇有讓你對 Tool 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。