如果說之前的互動都只是在跟 AI「聊天」，那 Function Calling 就是賦予 AI「行動」能力的魔法。它讓我們的 AI 不再只是一個會說話的腦袋，而是真正能捲起袖子、走進廚房、拿起鍋鏟為我們解決問題的得力助手。這道菜，絕對是整場盛宴的 C 位！

幕後解密：Function Calling 的神奇烹飪流程

當我們啟用 Function Calling 時，SK 廚房裡其實正在上演一齣分工精密的歌舞劇。整個流程就像是客人點餐，聰明的服務生（LLM）判斷菜色，再交由廚房（你的程式碼）製作，最後送上桌的完整循環。

根據官方食譜，這個神奇的流程可以拆解成以下幾個步驟 ：

1. 序列化菜單 (Serialize functions)：首先，主廚 SK 會把你廚房裡所有的刀具（也就是你提供的 Plugins 裡的函式）和它們的使用說明（參數、描述），整理成一份 AI 能看懂的精美菜單（JSON Schema） 。
2. 遞送菜單與訂單 (Send messages and functions to the model)：當客人（使用者）提出需求時（例如：「我想訂個披薩！」），SK 會將客人的需求（聊天歷史）和剛剛那份精美的菜單，一起遞給我們最聰明的服務生——大型語言模型 (LLM) 。
3. 服務生的大腦 (Model processes the input)：服務生 (LLM) 看完客人需求和菜單後，會開始思考。它可能會發現：「嗯？客人想訂披薩，但沒說要什麼尺寸和配料啊！」這時，它會決定先回頭問客人，而不是直接下單給廚房 。如果資訊充足，它就會決定要「呼叫」哪個廚房裡的函式 。
4. 解析訂單 (Handle the response)：SK 接收到服務生的決定。如果只是單純回話，就直接傳回給客人。但如果服務生決定要呼叫函式（例如：add_pizza_to_cart），SK 就會精準地解析出函式名稱和需要的參數 。
5. 廚房開火 (Invoke the function)：SK 拿著解析好的訂單，跑到對應的爐台（你的 C# 程式碼），呼叫 add_pizza_to_cart 這個函式，並把客人指定的尺寸、配料等參數傳進去 。
6. 回報進度 (Return the function result)：函式執行完畢後，會回傳一個結果（例如：「披薩已成功加入購物車」）。SK 會把這個執行結果加回到對話歷史中，再次遞給服務生 (LLM)，告訴他：「第一道菜做好了，接下來呢？」

這個

「模型思考 → SK 執行 → 回報結果 → 模型再思考」 的循環會不斷進行，直到滿足客人的所有需求，服務生 (LLM) 才會給出最終的總結性回覆 。

經典菜色實演：來訂一份 AI 披薩！

光說不練假把戲，我們直接來看一個經典的「訂披薩」範例，感受一下 AI 是如何自主決定呼叫哪個函式的。

假設我們有一個

OrderPizzaPlugin，裡面有一個函式 AddPizzaToCart 。

public class OrderPizzaPlugin
{
    [KernelFunction("add_pizza_to_cart")]
    [Description("將指定口味與尺寸的披薩加入使用者的購物車")]
    public async Task<string> AddPizzaToCartAsync(
        [Description("披薩的尺寸，例如：大、中、小")] string size,
        [Description("披薩的配料清單")] List<string> toppings
    )
    {
        // 實際將披薩加入購物車的商業邏輯...
        var result = $"已將一個{size}尺寸，包含 {string.Join(", ", toppings)} 配料的披薩加入購物車。";
        Console.WriteLine($"[執行 add_pizza_to_cart]: {result}");
        return result;
    }
}

現在，讓我們來看看使用者、AI (Assistant) 和工具 (Tool/Plugin) 之間的互動：

1. 使用者: "你好，我想訂一個披薩。"

2. AI (Assistant): (看了一下 add_pizza_to_cart 的菜單，發現 size 和 toppings 是必填的 ) "當然！請問您需要什麼尺寸和配料呢？"

3. 使用者: "我要一個大的，配料有義式臘腸和蘑菇。"

4. AI (Assistant): (太好了，資訊都齊了！可以下單給廚房了！)
   (送往 SK 的內部請求):

   tool_calls: [ { "function": { "name": "OrderPizza-add_pizza_to_cart", "arguments": "{\"size\": \"大\", \"toppings\": [\"義式臘腸\", \"蘑菇\"]}" } } ]

5. 工具 (Tool): (SK 收到請求，執行 C# 程式碼 AddPizzaToCartAsync)
   (函式回傳結果):
   tool_result: "已將一個大尺寸，包含 義式臘腸, 蘑菇 配料的披薩加入購物車。"

6. AI (Assistant): (看到廚房回報成功了，給客人一個最終回覆) "好的，您的大尺寸義式臘腸蘑菇披薩已經成功加入購物車了！還需要什麼嗎？"

看到了嗎？AI 就像一個真正聰明的店員，它會主動引導對話，收集必要的資訊，然後才去執行對應的動作。這就是 Function Calling 的魅力所在！

平行函式呼叫：當客人一次點好幾道菜

現代的 LLM 越來越厲害，它們甚至可以在一次思考中，決定要同時呼叫多個函式！這就像客人一次點了主餐、湯和飲料，聰明的服務生會把訂單分開，讓廚房、吧檯可以同時準備，大大提升了效率 。

例如，當使用者說：「幫我查一下臺北的天氣，並訂一張明天去高雄的高鐵票。」

AI 可能會同時發出兩個函式呼叫請求：一個給

WeatherPlugin 的 GetWeather，另一個給 HSRPlugin 的 BookTicket。SK 就會並行處理這兩個請求，讓整個流程更加順暢快速 。

小結

今天我們品嚐了 Function Calling 這道令人驚豔的招牌絕活，它徹底改變了我們與 AI 的互動方式。透過這個強大的功能，我們的 AI 不再只是個聊天機器人，而是能串連起各種服務、執行複雜任務的智能代理 (Agent)。

明天，我們將繼續深入這道主菜，探討如何更精準地控制 AI 的「出菜策略」，也就是 Function Calling 的進階選項 (Behaviors)。

各位夥伴，今天的料理還滿意嗎？記得動手試試看，打造你自己的 AI 主廚！我們明天見！

完整程式碼範例