什么是 Function Calling？原理是什么
1️⃣ 考察意图
面试官想考察你是否真正理解 Function Calling 的本质，而非仅仅背概念。这属于工程取舍 + 系统设计类问题。刁钻点在于：很多人以为 Function Calling 是模型“学会”了调用函数，实际上它只是输出结构化 JSON，真正的调度逻辑在应用层。答好了能展示你对 LLM 与外部系统交互的底层理解、对 prompt 工程和 schema 设计的敏感度，以及区分“模型能力”与“工程实现”的硬实力。
2️⃣ 标准答
Function Calling 是 LLM 根据用户意图，输出结构化函数调用参数的能力，而非模型主动执行代码。核心原理是：通过微调或 prompt 注入，让模型学会输出特定 JSON 格式，包含函数名和参数，应用层再解析并执行。
实现步骤拆解：
- 定义函数 Schema：用 JSON Schema 描述每个函数，包括
name、description、parameters（类型、枚举、必填等）。例如get_weather(location: string, unit: string)。关键：description要写清楚函数何时被调用，比如“当用户询问天气时调用”，这直接影响模型的选择准确率。 - 注入系统提示：将 schema 列表作为
tools参数传给模型 API（如 OpenAI 的tool_choice）。模型在生成时，会参考这些 schema 决定是否输出tool_calls。工程取舍：schema 过多（>20 个）会显著增加 token 消耗和推理延迟，且模型可能混淆相似函数。解法是动态筛选：先用 embedding 或关键词匹配，只注入 top-K 个相关函数。 - 解析模型输出：模型返回的
tool_calls字段包含id、function.name、arguments（JSON 字符串）。应用层解析后，调用对应函数。坑：模型可能输出非法 JSON（如缺少引号、多余逗号）。解法：用json.loads加try-except，失败时用正则修复或重试一次。 - 执行并返回结果：将函数执行结果（如天气数据）作为新消息（
role: "tool"）追加到对话，模型据此生成最终回复。为什么这么做：这保持了对话的上下文完整性，模型能基于真实结果推理，而非猜测。
与普通 API 调用的区别：普通 API 是硬编码的规则匹配（如“天气”关键词触发），而 Function Calling 是语义理解驱动的。模型能理解“今天出门需要带伞吗？”并自动选择 get_weather，甚至组合多个函数（如先查位置再查天气）。
实际落地的坑 + 解法：
- 函数幻觉：模型可能调用不存在的函数或参数。解法：在 schema 中严格定义
required字段，并在解析层做白名单校验。 - 多轮上下文污染：历史对话中的函数调用结果可能干扰当前决策。解法：定期清理
tool消息，或使用max_tokens限制上下文长度。 - 延迟敏感场景：每次函数调用都需一次 API 往返。解法：并行调用多个独立函数（如同时查天气和新闻），减少总延迟。
3️⃣ 答题模板（30 秒电梯版）
“这个问题我从定义、原理、工程实现三个层面回答。定义上，Function Calling 是 LLM 输出结构化 JSON 参数的能力，而非执行代码。原理上，通过注入函数 schema 到 prompt，模型学会在需要时输出
tool_calls。工程实现上，关键步骤是 schema 设计、动态筛选、JSON 解析和结果回传。总结一句：Function Calling 是 LLM 与外部系统交互的桥梁，核心在 prompt 工程和 schema 设计，而非模型本身。”
4️⃣ 高频追问 & 应对
追问 1：如果模型连续调用同一个函数 5 次，你怎么处理？
这是典型的循环调用问题。解法：1）在应用层设置最大调用次数（比如 3 次），超限后强制终止并返回“无法完成”。2）检查每次调用的参数是否重复，若相同则判定为死循环，直接报错。3）在系统提示中加约束：“如果已获取足够信息，请直接回复用户，不要重复调用”。4）用
tool_choice: "none"强制模型停止调用。
追问 2：Function Calling 和 Tool Use 有什么区别？
Tool Use 是更宽泛的概念，指模型使用外部工具（API、数据库、代码执行器等）。Function Calling 是 Tool Use 的一种具体实现方式，由 OpenAI 提出，特点是基于 JSON Schema 的结构化输出。其他实现包括：1）ReAct：模型输出“Thought/Action/Observation”文本，应用层正则解析。2）Code Interpreter：模型直接输出 Python 代码，沙箱执行。3）MCP：通过协议标准化工具调用。Function Calling 的优势是格式严格、易解析，劣势是依赖模型微调，对 schema 质量敏感。
追问 3：如何让模型在不确定时拒绝调用函数，而不是瞎猜？
核心是不确定性处理。1）在 schema 的
description中写：“仅当用户明确提及地点和需求时调用，否则返回空”。2）在系统提示中加：“如果你不确定，请回复‘我需要更多信息’”。3）在应用层设置置信度阈值：如果模型输出的参数包含默认值（如location: "unknown"），判定为低置信，触发追问。4）使用temperature=0减少随机性，但会牺牲多样性。
5️⃣ 避坑 · 常见错误答法
- ❌ 说“Function Calling 是模型主动调用函数” → ✅ 正确说法是“模型输出结构化参数，应用层负责调度执行”
- ❌ 说“函数 schema 越多越好” → ✅ 正确做法是“动态筛选 top-K 个相关函数，避免 token 浪费和混淆”
- ❌ 说“模型输出 JSON 一定合法” → ✅ 正确做法是“加 try-except 和正则修复，处理非法 JSON”
6️⃣ 简历呼应
- 如果你有 RAG 项目：从“Function Calling 与 RAG 的互补”切入，比如用 FC 调用搜索 API，RAG 做文档检索，展示你对 Agent 架构的理解。
- 如果你只做过传统 NLP：用“意图识别 + 槽位填充”类比，Function Calling 就是 LLM 版的 NLU，但更灵活、无需训练数据。
- 如果你是校招无项目：聚焦“天气查询 Agent”的 demo 实现，强调你手写过 schema 和 JSON 解析，踩过非法输出的坑。
- OpenAI Function Calling 官方文档（2023 年 6 月发布）
- 《Toolformer: Language Models Can Teach Themselves to Use Tools》
- 《ReAct: Synergizing Reasoning and Acting in Language Models》
- 《Gorilla: Large Language Model Connected with Massive APIs》
- LangChain Tool Calling 实现源码（
BaseTool和tool_calls解析逻辑）