今天写的是一篇衍生文章。以前在跟国内某大模型大厂合作的时候我们提了一些建议，说你们现在支持的Function Calling实在太不靠谱了，得赶紧做，不过那个时候大家还在拼模型基础性能，感觉没空做，所以去年一年我们有两个项目只好忍痛弃用。

Function Calling 是什么？

这是最早由 OpenAI 在 GPT-4 2023 中推出的一种机制，允许你为模型注册一组函数接口，大模型基于自然语言自动输出需要调用的函数及其参数。

举例：

"function":{
"name":"get_weather",
"parameters":{
"city":"Shanghai"
}
}

你给模型定义函数，它会决定何时调用，并生成参数。

    优点：

• 简洁、适合微服务对接

• 易于开发调试

• 模型直接“填表”输出函数名和参数
  

  限制：

• 仅适合静态、结构化、无状态的调用

• 复杂交互无法表达（如多轮、异步、Agent协作）

---

Tool Calling 是什么？

Tool Calling 是 Function Calling 的扩展版 + 抽象升级版，它背后的理念是：

“大模型不是调用一个函数，而是调用一个工具，工具可以是函数、数据库、搜索器、Agent、文件系统等复合实体。”

在 GPT-4o、Claude 3.5、Gemini 2.5 这些模型中，“Tool Calling” 已成为更推荐的交互模式。

特征：

能力	描述
多模态	工具可以处理图像、音频、文件等
状态感知	工具可以保持状态（如 Agent 工具池）
推理与协调	工具可嵌套调用，如 Agent调用另一个Agent
更高抽象	工具可包括执行逻辑、策略、上下文打包

在AI Agent和大模型应用中，“Tool Calling” 和“Function Calling” 是两个概念上相关、实现上逐渐分化的能力。它们的核心区别主要在于：

---

一句话区别：

对比项	Function Calling	Tool Calling
本质	模型调用一个函数（通常为后端函数）	模型调用一个“工具”——可能是函数、API、Agent、数据库等
范围	函数级调用 ，偏开发视角	系统级调用 ，偏产品/任务视角
扩展性	通常调用一个函数，参数规范固定	可以调用一个复杂组件（带上下文、权限、状态）
使用场景	技术测试/Prompt Engineering	多Agent、真实任务、业务流程

示例对比（场景：预定会议室）

模型动作	Function Calling	Tool Calling
目标	调用一个函数 book_meeting_room	使用“会议室预定工具”
接口	JSON函数，参数：时间、地点	Tool 包含：会议室数据库 + 调用链逻辑 + 用户偏好
复杂度	只能做一层调用	可包含权限校验、与日历同步、多轮反馈
输出	{"room": "301", "time": "3pm"}	返回整个预定流程状态（是否成功、是否冲突等）

哪种更适合 AI Agent 应用？

应用场景	建议机制
简单工具调用，如查天气、查汇率	✅ Function Calling
多Agent协同、任务分解、多轮执行	✅ Tool Calling 更佳
B端系统对接（有权限/上下文控制）	✅ Tool Calling 更强
构建可扩展平台（如Navi）	✅ Tool = 抽象组件，更灵活

总结对比表：

项目	Function Calling	Tool Calling
诞生时间	2023 GPT-4 初期	2024 GPT-4o / Claude 3.5
接口类型	函数原型 (name + params)	工具对象 (name + desc +行为)
是否支持状态/记忆	❌ 无状态	✅ 可状态化、持久化
是否支持嵌套调用	❌ 一次一调用	✅ 可递归/多步计划
是否支持异步	一般无	✅ 通常具备（Tool Agent）
多模态支持	❌	✅ 图像、语音输入
实用场景	技术测试、微调用	任务代理、工作流、多Agent系统

最后我们让Gemini出了一份对比，为什么要强调是Gemini出的呢，因为...反正不是我们出的。