知識 · AI 基礎

函式呼叫 · 工具使用

Function Calling / Tool Use

📂AI 基礎⏱閱讀 2 分鐘📊實務🔗相關 4

什麼是函式呼叫?

一句話定義
讓 AI 自行判斷,呼叫外部工具與功能(搜尋、計算、API)。將對話型 AI 擴充為'會執行的 AI'。
這個主題,以企業內訓學習📚 相關課程💬 教育訓練洽詢
⚡ 3 行重點摘要
  • AI 自行呼叫外部工具與 API
  • 將對話型擴充為'執行型'
  • 代理人的手腳

啟用函式呼叫後,模型的輸出本質就改變了。它不再只是吐出一段文字,而是提出結構化的請求(通常是 JSON),說明「請用什麼參數呼叫哪個函式」;實際執行則交由模型之外的系統負責。模型負責判斷,應用程式負責執行,形成分工;執行結果還要再回傳給模型,才會完成人看得懂的答覆。握有呼叫權限到最後的,是開發者,這正是此架構的出發點。

設計時成敗的關鍵有三點。第一是函式規格:名稱、一行說明與參數型別寫得多清楚,直接決定工具選擇的準確度。第二是工具數量:候選超過 20 到 30 個時,相似函式之間容易混淆,因此最好在前端另設路由步驟較為安全。第三是讀取與寫入的區分。查詢、計算這類可以復原的呼叫,與下單、寄送郵件、付款這類無法復原的呼叫,不能視為同一等級。這一點容易與 RAG 混淆:RAG 是預先把搜尋結果放進去的方式,而函式呼叫則是由模型當下決定要不要呼叫,兩者不同。

現場最常發生的事故,是抱持'它自己會處理'的輕忽心態。函式說明若寫得不完整,模型並不會放棄呼叫,反而會編造看似合理的參數。不存在的品號或格式錯誤的日期,就這樣直接寫入正式營運資料庫。呼叫失敗時若不斷重送同樣的請求,會耗盡 API 額度;也有寫入函式未經核准就開放權限,導致無法取消的訂單被送出的情況。每一次呼叫都必須加上輸入值驗證、重試上限與執行紀錄,而涉及金額支出或對外發送的作業,則應保留由人員按下最後一個按鈕的步驟。

會出現此術語的課程 · AI・DX
推薦課程 · 推薦講師 · 迷你報價
🧮 迷你報價 · 講師費基準
約 KRW 1,200,000 (≈ US$900)專題講座 2 小時 · 20 人以下 · 韓語
依此條件取得正式報價 →
💡 簡單來說
替只會說話的 AI 裝上雙手——直接執行搜尋、計算與預約。
為什麼在實務上很重要
這是讓 AI 從'回答問題'轉為'實際做事'的關鍵,也是 AI 代理與自動化的技術基礎。
由來與出處

此技術源自於讓大型語言模型具備使用外部工具能力的研究脈絡(如 ReAct 等,2022 年),之後 AI 呼叫預先定義函式的功能逐漸標準化,成為 AI 代理的基礎。

透過案例理解

以下以虛構案例說明。A 公司是員工 140 人、年營收約 KRW 62,000,000,000 (≈ US$46,405,100) 上下的工業用材料經銷商。業務支援組每天要接近 70 通電話,內容是「這個品號有沒有庫存?交期什麼時候?」,每次回答都得開啟兩個 ERP 畫面。後來他們接上公司內部聊天機器人,結果只重複「詳情請洽負責人」,三個月內使用率跌到谷底。

  1. IT 團隊的朴主管指出了原因。聊天機器人只讀取產品說明書 PDF,因此每小時都在變動的即時庫存數字,原本就沒有可以查看的管道。
  2. 因此只把 ERP 的庫存查詢與交期計算兩項,開放為唯讀函式。函式說明欄則明訂'品號為 8 位數字'。
  3. 兩週試營運期間,模型曾虛構並查詢不存在的品號,每週出現 17 次。我們在前端加入品號驗證函式,格式不符時改為回問「請重新提供 8 位數的品號」。
  4. 訂單登錄函式被金業務部長擋下。「金額會出去的事,要由人來按下確認。」於是 AI 只會跳出訂單草稿,必須由負責人按下核准鍵才會送出。
  5. 三個月後,每通電話的平均處理時間從 4 分 30 秒縮短為 55 秒,業務支援組 4 人每週因此多出 21 小時。錯誤回報從每週 17 件降到 2 件。
相關術語
與此術語相關的課程
📚AI 代理實務入門Nanum 經營顧問企業內訓 · 實體/線上查看課程 →
是否需要針對此主題進行企業內訓?
立即取得負責人為您量身打造的課程規劃與報價。
教育洽詢
最後修訂 2026年9月13日 · 監修 金鍾赫

常見問題

函式呼叫是「使用工具的能力」,AI 代理則是憑藉這項能力,自主執行多個步驟。
是的。因此要限制可呼叫的工具與權限,並對重要作業設置人工核准,才是安全的做法。
函式呼叫是 Agent 的'手腳'——讓 AI 能實際執行工具。
有風險。必須以最小權限、護欄機制與人工確認來加以控管。