大模型怎么学会"动手干活"？Function Calling 揭秘
你让 ChatGPT 查明天北京天气，它真的"查"了吗？
它其实是调了一个天气 API，把结果读给你听。
再让它分析你上传的 Excel，它其实是调了文件解析工具。
大模型这种"动手能力"怎么来的？
上篇聊完推理参数，你可能有个感觉：大模型越来越会"说话"了。光会说话还不够，得能真正"干活"。今天就说说大模型是怎么调用工具的。
为什么大模型需要调用工具？
大模型知识再渊博，也有天花板。
它的知识有截止日期。今天北京多少度？特朗普又说了啥？它只能瞎猜。
它还"眼高手低"。能分析数据趋势，但没法真正打开你的 CSV 文件做计算。
说白了，大模型是个"军师"——运筹帷幄很强，但没法亲自上阵。
工具调用，就是给它装上"手和脚"。
有了它，AI 不再只是能说会道，而是能说能干。
Function Calling 是什么？——给AI一本工具说明书
你入职新公司，第一件事是看员工手册。
Function Calling 的本质，就是给大模型一本"工具使用手册"。
这本手册用文字描述每个工具：
- 叫什么名字
- 有什么用
- 需要什么参数
模型读完手册，就能自己判断：
- 要不要调用工具？
- 调用哪个？
- 参数填什么？
调用结果不是随口说，而是返回一个结构化的 JSON。
{
"name": "get_weather",
"arguments": {
"city": "北京",
"date": "明天"
}
}这就像你问同事"今天下雨吗"，他查了天气告诉你结果——只不过同事换成了 API，结果换成了 JSON。
三种模式全景图——不是替代，而是分工
工具调用经历了三次进化。
但这三次不是"新技术淘汰旧技术"，而是各有所长。
选错模式，就像用卡车运快递——不是不行，是太浪费。
三种模式的核心差异在于：灵活性和效率怎么平衡。
短途走路、中途骑车、长途开车——不是谁比谁强，是场景不同。
模式一：循环式工具选择——像下棋一样步步为营
想象你问 AI："帮我查北京天气，然后告诉我要不要带伞。"
循环式会这样工作：
- 模型读完问题，决定调用天气 API
- 拿到天气数据后，再决定下一步
- 根据天气情况生成回答
每一步都是：决策 → 执行 → 看结果 → 再决策
像下棋一样，落一子看局势，再决定下一步。
好处是什么？
逻辑清晰，灵活应变。如果某一步出错了，可以重试。
坏处呢？
严格串行，一步完了才能下一步。查天气要 1 秒，模型思考要 1 秒，加起来就是 2 秒起步。
而且每次只能调用一个工具。
适合什么场景？
单次查询、简单计算、不需要多步决策的任务。
比如查个汇率、算个日期、问个航班。
模式二：计划驱动执行——先想再做不蛮干
你有个经验丰富的老下属。
你布置任务，他不会闷头就干，而是先想清楚步骤：
"这件事分三步，第一步和第二步没依赖可以同时干，第三步要等前两步完成。"
计划驱动就是这个思路。
模型先输出一个完整计划：
步骤1：查北京天气
步骤2：查上海天气（与步骤1无关，并行执行）
步骤3：等步骤1和2完成后，比较两地天气然后执行引擎负责调度——没依赖的并行干，有依赖的排队等。
好处是什么？
两次模型推理就够了，延迟大幅降低。并行执行让总时间 = max(各步骤时间) 而不是 sum(各步骤时间)。
坏处呢？
计划定好了就不好改。万一某一步出错了，模型只能从头再来。
而且需要实现一套依赖解析的执行引擎，开发成本高。
适合什么场景？
多步骤流程、各步骤相对独立、需要聚合多个数据源的任务。
比如数据分析流水线、文档处理、多源信息聚合。
模式三：程序化工具编排——直接生成代码
你让 AI 分析 10 万条日志。
循环式要调用工具 10 万次？上下文爆炸，模型直接宕机。
计划驱动要拆成 N 个步骤？计划本身可能就有问题。
程序化编排换了个思路：让模型直接生成代码。
模型输出的是一段 Python：
import json
# 读取日志
logs = read_file("error_logs.jsonl")
# 过滤错误级别
errors = [log for log in logs if log["level"] == "ERROR"]
# 统计错误类型
error_counts = {}
for e in errors:
error_counts[e["type"]] = error_counts.get(e["type"], 0) + 1
print(error_counts)代码在沙箱里执行，10 万条数据处理完，只返回一个摘要。
中间数据不进上下文，token 消耗从几十万降到几千。
好处是什么？
效率极高，适合大规模数据处理。循环过滤在代码层执行，速度比反复调用 API 快得多。
坏处呢？
需要模型有强代码生成能力。而且要在安全环境里执行用户生成的代码，有安全风险。
适合什么场景？
大规模数据处理、日志分析、批量文件操作——数据量从 MB 到 GB 级别。
实战指南——根据场景选对模式
说了这么多，到底怎么选？
简单原则：小任务用循环式，复杂流程用计划式，大数据用程序式。
更具体一点：
简单单步查询（查天气、汇率、日期）→ 循环式，最直接，成本最低。
多步骤但依赖明确（查资料→总结→翻译）→ 计划驱动，并行提效。
大规模数据处理（分析数万条日志、处理 GB 级文件）→ 程序化，避免上下文爆炸。
但现实往往更复杂。
一个复杂任务可能需要组合策略：外围用计划驱动，内部某个环节用循环式，某个大数据处理用程序式。
就像物流——同城闪送用电动车，跨城用货车，出国用飞机。选对方式才能又快又省。
大模型"干活"的能力还在进化
从最初的"步步为营"，到现在的"代码驱动"，工具调用模式越来越强。
但这还不是终点。
未来可能出现更聪明的第四种、第五种模式。也许 AI 能自己写工具，也许工具能主动给 AI 提建议。
不变的是：让 AI 真正"能干活"这件事，正在从科幻走进现实。
下篇我们就来聊聊——这些能干活的大模型，怎么组成一个完整的应用系统。