前言

AI Agent 再聰明，也只是「文字處理大師」。
如果沒有外部工具，它無法查天氣、呼叫 API、或讀取資料庫。
因此，要讓 Agent 真正變得有用，就必須學會 工具使用 (Tool / Function Calling)

今天我們來簡單說說為甚麼吧o(≧▽≦)o

Function Calling 是什麼？

定義：
Tool Calling（也常被稱為 Function Calling）是一種讓 AI Agent 透過結構化輸出，請求外部函式或 API 來執行任務的能力。
核心精神就是：「LLM 負責理解與決策，工具負責實際執行」。

你可以把 Tool Calling 想像成替 Agent 裝上「外掛模組」，幫它突破原本只能「說話」的限制。

關鍵點：

• Agent 不只會「回答問題」，還能「執行任務」
• 工具可以是天氣 API、計算器、資料庫查詢，甚至是郵件系統
• LLM 決定 什麼時候用工具、用哪個工具、傳什麼參數
• 工具則負責 真正的行動

為什麼需要 Function Calling？

• 缺乏即時資料 → 透過工具查詢天氣、新聞、股市
• 數學能力有限 → 交給計算工具做精確運算
• 系統操作受限 → 透過 API、資料庫或檔案系統來存取與操作

簡單說：模型會「提出需求」，工具會「執行任務」。

運作流程

1. 使用者下達需求
2. Agent 判斷是否需要工具
3. LLM 產生結構化輸出（通常是 JSON 格式，包含 function 名稱與參數）
4. 系統層接收並執行對應工具 / API
5. 工具回傳結果
6. Agent 整合資訊並回覆使用者

範例情境

# 使用者輸入
user_input = "今天台北天氣如何？"

# LLM 判斷需要工具 → 產生結構化輸出
{
  "name": "get_weather",
  "arguments": { "city": "Taipei" }
}

# 系統層呼叫工具
result = get_weather(city="Taipei")

# 工具回傳
{"weather": "晴時多雲", "temperature": "28℃"}

# Agent 整理最終回覆
"今天台北是晴時多雲，氣溫大約 28℃。"

注意：真正執行工具的是系統，不是 LLM 自己直接跑程式碼。

對照表：沒有工具 vs 有工具

結尾廢話

Tool / Function Calling 是讓 AI Agent 從聊天夥伴升級為工作助理的第一步。
有了工具，它不再只是陪你聊天，而是能幫你 查資料、處理任務等。
當你第一次幫 Agent 接上工具時，你會驚訝地發現：「哇，它真的動起來了！」

先到這邊，我們下一篇見(*≧▽≦)