原文出处：Hugging Face Agents Course · units/zh-CN/bonus-unit1/what-is-function-calling.mdx 原作者：Hugging Face · 许可证：Apache-2.0 License 本篇为课程官方中文译文（Hugging Face 社区翻译），诸葛AI学院仅做格式整理（去除图片与交互组件），版权归原作者所有。
什么是函数调用？(What is Function Calling?)
函数调用是大语言模型 (LLM) 对其环境采取行动的一种方式。它最初在 GPT-4中引入，然后被其他模型复制。
就像智能体 (Agent) 的工具一样，函数调用赋予了模型对其环境采取行动的能力。然而，函数调用能力是由模型学习的，并且比其他智能体技术更少依赖提示。
在第1单元中，智能体没有学习使用工具 (Tools)，我们只是提供了工具列表，并依赖模型能够泛化使用这些工具定义计划的事实。
而在这里，通过函数调用，智能体被微调（训练）来使用工具。
模型如何"学习"采取行动？
在第1单元中，我们探讨了智能体的一般工作流程。一旦用户向智能体提供了一些工具并用查询提示它，模型将循环执行：
- 思考(Think)：为了实现目标，我需要采取什么行动。
- 行动(Act)：使用正确的参数格式化行动并停止生成。
- 观察(Observe)：从执行中获取结果。
在通过 API 与模型进行的"典型"对话中，对话将在用户和助手消息之间交替进行，如下所示：
python
conversation = [
{"role": "user", "content": "I need help with my order"},
{"role": "assistant", "content": "I'd be happy to help. Could you provide your order number?"},
{"role": "user", "content": "It's ORDER-123"},
]
函数调用为对话带来了新的角色！
- 一个用于 行动(Action) 的新角色
- 一个用于 观察(Observation) 的新角色
如果我们以 Mistral API 为例，它看起来像这样：
python
conversation = [
{
"role": "user",
"content": "What's the status of my transaction T1001?"
},
{
"role": "assistant",
"content": "",
"function_call": {
"name": "retrieve_payment_status",
"arguments": "{\"transaction_id\": \"T1001\"}"
}
},
{
"role": "tool",
"name": "retrieve_payment_status",
"content": "{\"status\": \"Paid\"}"
},
{
"role": "assistant",
"content": "Your transaction T1001 has been successfully paid."
}
]
...但你说函数调用有一个新角色？
是也不是，在这种情况下和许多其他API中，模型将要采取的行动格式化为"助手"消息。聊天模板然后将此表示为函数调用的特殊词元 (special tokens)。
[AVAILABLE_TOOLS]– 开始可用工具列表[/AVAILABLE_TOOLS]– 结束可用工具列表[TOOL_CALLS]– 调用工具（即采取"行动"）[TOOL_RESULTS]– "观察"行动的结果[/TOOL_RESULTS]– 观察结束（即模型可以再次解码）
我们将在本课程中再次讨论函数调用，但如果你想深入了解，可以查看这个优秀的文档部分
现在我们已经了解了什么是函数调用以及它是如何工作的，让我们为一个尚未具有这些能力的模型添加一些函数调用功能：通过向模型添加一些新的特殊词元来增强： google/gemma-2-2b-it。
要能够做到这一点，我们首先需要理解微调和LoRA。