目錄
函式呼叫是什麼
在前幾篇文章中，我們探討了能自主行動的 AI Agent，以及如何透過 Prompt 影響輸出結果。但不知讀者是否想過——如果 LLM 是 AI Agent 的大腦，那讓它與現實世界互動、完成具體任務的「手腳」又是什麼？
答案正是本文的主角：函式呼叫（Function Call）。
用最簡單的話來說，Function Call 是讓大型語言模型能夠使用外部工具或與外部系統互動的技術。它像一座橋樑，將自然語言指令轉化為系統能理解並執行的具體行動。這個概念有時也被稱為工具調用（Tool Call）。
舉例來說，假如你下午三點要到高雄出差想詢問準備事項，一般 AI 會告訴你「先查車次表再訂票」，但你還是得自己動手。然而，如果 AI 擁有高鐵訂票系統的使用權限，它就能直接回覆：「13:00 有一班高鐵，14:30 抵達，已為您訂購一張車票。」
Function Call 就是賦予 AI 這種「動手做事」能力的關鍵技術。傳統 LLM 只能基於訓練資料生成文本，知識有其極限。但具備函式呼叫能力的 AI 則能連接外部世界，執行真實任務、獲取即時資訊，解決現實問題。
Function Call 運作原理
要理解函式呼叫的運作，可以從四個角色的互動來認識整個流程：
- 使用者： 發出指令的人（例如 F 小編）
- AI Agent： 直接互動的介面，負責接收指令、與 LLM 溝通，並操作外部工具（如 EgentHub）
- LLM： AI Agent 的大腦，專注於理解指令、分析意圖、規劃步驟並下達指令（如 Gemini-3-flash）
- 外部工具： 透過 API 串接的系統，如 ERP、資料庫、天氣查詢等
以「查詢天氣」為例，完整流程如下：
- 使用者下達指令： F 小編輸入「台北今天天氣如何？」
- AI Agent 打包給 LLM： 將 System Prompt、User Prompt 及可用工具清單一起送出
- LLM 決定調用工具： 分析後判斷需要即時數據，決定使用天氣查詢系統，並指定查詢參數「台北」
- AI Agent 呼叫外部系統（Function Call）： 連接天氣查詢系統發送請求
- 外部工具回傳結果： 回傳溫度 22 度、晴天等原始數據
- AI Agent 將結果傳給 LLM： 請求組織成自然語言
- LLM 組織最終回應： 生成「台北目前晴天，攝氏 22 度」
- AI Agent 回覆使用者： 將最終答案呈現給使用者
Function Call 實務價值
傳統 LLM 存在三個核心限制：訓練資料有截止日期、無法執行真實任務、可能產生幻覺。Function Call 正是解決這些痛點的關鍵：
-
獲取即時資訊： AI 不再受限於過時的訓練資料，可連接外部數據來源即時查詢天氣、股價、新聞等，提供最準確的現況資訊。
-
執行具體任務： AI 能與其他應用程式互動——在行事曆預約會議、發送電子郵件、更新 CRM 系統中的客戶資料。
-
提升準確性與可靠性： 面對事實性問題時，AI 會查詢外部權威資料庫取得可驗證的數據，大幅減少幻覺的發生。
AI 從協作者到行動者
Function Call 是 AI 發展歷程中的里程碑。它徹底改變了人與 AI 的互動方式，也為後續 MCP（Model Context Protocol）的發展奠定基礎，讓 AI 從被動的知識問答機，蛻變為能理解目標、規劃步驟、主動執行任務的行動夥伴。
對企業而言，Function Call 賦予 AI Agent 真正的行動能力——不只是回答問題，更能串接內部系統、自動完成工作流程，成為企業的數位員工，讓 AI 導入從概念走向落地應用。