Function-Calling
PulseAugur coverage of Function-Calling — every cluster mentioning Function-Calling across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
MCP标准化AI代理工具交互，为ChatGPT引入事件驱动更新
模型上下文协议（MCP）正成为AI代理与外部工具和资源交互的标准，超越了ChatGPT插件和基本函数调用等早期系统。MCP定义了一种客户端到服务器的协议，服务器公开可调用的函数、资源和提示，允许IDE代理或聊天应用程序等各种客户端发现和执行这些工具。OpenAPI文档被用作定义这些MCP工具的单一事实来源，确保参数、身份验证和验证的一致性。最近的开发，特别是在OpenAI DevDay 2026前后，引入了MCP事件，使服务器能够通过…
-
MCP 统一 AI 代理工具访问，但成本可能限制使用
文章讨论了 MCP（多能力编程），一个旨在统一 AI 代理工具访问的框架。文章强调，虽然 MCP 提供了高级功能，但它也带来了显著的成本。文章就开发人员何时真正需要 MCP，以及何时更简单的函数调用方法足以满足 AI 代理开发的需求提供了建议。
-
MCP、函数调用和插件：选择正确的 AI 集成模式
本文区分了三种将 AI 模型连接到数据堆栈的方法：模型上下文协议 (MCP)、函数调用和插件。MCP 是 Anthropic 的一项开放标准，允许 Claude 等模型进行实时、双向的工具使用，模型会积极参与会话。函数调用是一种较低级别的 API 模式，让用户的代码完全控制工具的执行和参数处理，适用于批处理作业和确定性工作流。插件被描述为 MCP 或函数调用的打包和分发层，无需直接访问代码即可更广泛地共享工具。
-
AI 代理：区分 Skills、MCP、Function Calling 和 A2A
本文阐明了 AI 开发中 Agent Skills、Model Context Protocol (MCP)、Function Calling 和 Agent-to-Agent (A2A) 通信之间的区别。Agent Skills 被描述为包含 SKILL.md 文件的独立文件夹，用于教会代理如何执行任务，Anthropic 的 Claude 是早期采用者。MCP 则通过实时 JSON-RPC 服务器为代理提供对外部资源的访问。Fun…
-
LLM 代理通过工具使用和函数调用得到增强
大型语言模型（LLM）可以通过工具使用和函数调用得到增强，以克服其静态知识限制和缺乏实时数据访问的问题。此功能使 LLM 能够与外部 API、数据库和软件进行交互，将它们转变为能够执行动态任务的主动代理。函数调用使 LLM 能够输出结构化数据，例如函数名称和参数，然后由主机应用程序执行这些数据以检索信息或执行操作，最终将结果合成为自然语言响应。
-
新的函数劫持攻击威胁代理AI模型
研究人员发现了一种名为函数劫持攻击（FHA）的新型安全威胁，该威胁针对利用函数调用功能的代理AI模型。这些攻击会操纵模型的工具选择过程，强制调用攻击者选择的函数，绕过语义理解，并在不同领域和函数集中保持有效。FHA在包括指令模型和推理模型在内的各种LLM上都显示出很高的成功率，并且在不同模型大小和系列之间具有可转移性，这凸显了代理AI系统对强大安全措施的迫切需求。
-
提示工程在LLM成本效益方面超越微调
在2026年，对于大多数LLM应用而言，提示工程通常比微调更具成本效益且更易于迭代。像DeepSeek V4 Flash这样更便宜的前沿模型、更大的上下文窗口以及可靠的结构化输出方法的进步，使得基于提示的定制更加可行。微调仍然是满足特定需求的专业工具，但其在数据准备、训练和托管方面的高昂成本，对于常见用例而言，往往会超过边际收益。
-
AI Agent 与 Function Calling：执行控制是关键
本文讨论了AI Agent与Function Calling的区别，强调两者都使用相同的大型语言模型（LLMs）和工具，但关键区别在于执行控制。作者分享了从四个生产环境Bug中获得的见解，并强调AI Agent的能力取决于谁或什么启动了行动，而不是其底层技术本身。
-
大型语言模型 API 集成：从演示走向稳健的生产系统
本文讨论了将大型语言模型 (LLM) 与实际 API 集成的挑战和最佳实践，旨在从基本演示走向稳健的生产系统。文章强调应将 LLM API 交互视为一种为智能但可能鲁莽的实习生设计的 API，并着重指出对模型生成的参数进行严格的运行时验证的必要性。作者提倡采用一种“先模式”的方法，使用 Zod 等工具来定义和验证参数，确保业务规则通过编程强制执行，而不是仅仅依赖提示。此外，文章还强调了根据上下文、对话状态以及读/写分离来仔细限定 LL…
-
LLM 函数调用测试应侧重于模式合规性，而非模型行为
本文讨论了 LLM 中函数调用模式合规性契约测试的重要性。它区分了测试模型行为（例如，是否调用特定工具）和测试契约合规性（例如，工具调用是否符合定义的模式）。作者主张进行确定性测试，断言工具调用的结构和有效性，而不是它们的具体参数或模型是否选择了特定函数。关键断言包括检查 `finish_reason`、`tool_calls` 的存在和类型，以及确保 `function.name` 在声明的集合中。至关重要的是，它强调 `funct…
-
AI代理获得工具访问权限会带来安全风险；已概述缓解策略
赋予AI代理对函数调用、代码解释器或API等工具的访问权限会带来重大的安全风险，因为模型无法可靠地区分指令和数据。这意味着提示注入攻击可能导致代理执行未经授权的操作，例如窃取数据或执行恶意代码。为缓解这些风险，开发人员应严格限制工具功能范围、在服务器端验证所有参数、在模型外部强制执行授权、要求对不可逆操作进行人工确认，并对执行代码或联网的工具进行沙箱隔离。
-
新方法无需模拟即可预测AI任务难度
研究人员开发了一种无需运行计算成本高昂的模拟即可预测AI任务难度的方法。该方法分析任务描述以预测成功可能性，有助于校准评估基准和创建渐进式训练课程。该研究探索了17个不同的代理基准，强调了token级熵作为关键预测信号，并展示了预测误差如何揭示环境设计中的缺陷。
-
OpenAI 聊天机器人演进：从文本到工具和可验证操作
本文探讨了简单聊天机器人与工具型助手之间的区别，重点关注语言模型需要工具执行外部操作的阈值。文章认为，只有当场景涉及可验证的外部操作以及检查其结果的机制时，使用工具才是有意义的。文章详细介绍了通过 OpenAI API 使用工具的五步循环，并强调模型本身不执行操作，而是返回一个函数调用及其参数，供开发者的应用程序处理。
-
模型上下文协议（MCP）将AI代理交互从API转向自描述工具
模型上下文协议（MCP）是一种新的方法，它改变了AI模型与API的交互方式。与要求开发者明确指示模型如何使用每个工具的传统API不同，MCP允许工具向模型描述自身。这为AI提供了一个可用的功能的全面“地图”，使其能够在没有分步指导的情况下进行推理并为给定任务选择合适的工具。这种从明确指令转向上下文理解的转变旨在简化将多个服务集成到AI代理中。
-
LLM结构化输出保证语法而非语义，导致“格式良好的谎言”
LLM的结构化输出，例如JSON模式强制执行，可以保证生成的文本在语法上是正确的，但不能确保语义的准确性。虽然这些工具消除了解析错误，但它们可能导致“格式良好的谎言”，即输出是有效的，但在应用程序的域内事实不正确或无意义。开发人员必须将LLM的输出视为不可信的输入，类似于客户端数据，并实施超越模式检查的强大语义验证来捕获这些细微的错误。
-
开发者优先考虑 LLM API 模式而非 Prompt 工程以提高可靠性
开发者正将焦点从 Prompt 工程转移到更强大的大型语言模型 (LLM) API 集成模式。关键策略包括使用结构化输出（如通过函数调用或模式验证的 JSON）而非文本解析，批量处理请求以提高成本和速度效率，以及缓存上下文以进行多轮交互。此外，实现流式响应以进行早期错误检测并采用带超时的指数退避对于构建可靠的生产系统至关重要。LLM 网关（如 LiteLLM）的兴起，提供了一个跨多个提供商的统一 API，提供自动回退、智能路由和成本跟…
-
MCP与Function Calling对比：延迟和代码大小基准测试显示MCP在规模化工具重用方面占优
一项关于在AI代理中重用工具的MCP与Function Calling的数据驱动比较显示，虽然MCP每次调用会产生2毫秒的通信开销，但这对于LLM推理占主导地位的典型代理任务来说可以忽略不计。然而，MCP的启动时间长达570毫秒，大约在274次调用后才能摊销。在代码大小方面，随着项目规模的扩大，MCP提供了显著的节省，因为单个服务器进程可以服务多个工具，而Function Calling则需要为每个代理重复代码。
-
MCP协议集中化AI代理工具集成，减少代码重复
文章介绍了MCP（模型上下文协议），一个旨在简化AI代理与Jira等外部工具集成的全新系统。与传统的函数调用不同，在函数调用中，工具定义和执行逻辑会在多个代理项目中重复，而MCP将这些组件集中在一个独立的MCP服务器中。该服务器通过JSON-RPC 2.0与各种兼容主机通信，例如Claude Desktop或自定义代理，从而消除了冗余代码的需要，并在API更改时简化更新。
-
Google 的 A2A 协议在代理间通信中找到利基市场
Google 的 Agent2Agent (A2A) 协议于 2025 年 4 月推出，旨在标准化来自不同供应商和框架的独立 AI 代理之间的通信。最初因市场充斥着缩略语以及与模型上下文协议 (MCP) 的感知重叠而受到怀疑，A2A 在 2026 年找到了其利基市场。它被证明对于在具有自身所有权和能力的独立代理之间实现通信非常有用，而不仅仅是内部功能或工具包装器。该协议促进代理发现、任务委托、消息交换和工件共享，解决了代理协作的完整生命周期。
-
AI函数调用教程：DeepSeek V4-Pro集成API
本教程演示了如何在AI模型中实现函数调用，使其能够与外部API进行交互。它提供了一个使用DeepSeek V4-Pro模型根据用户查询调用天气API的实际示例。该过程包括定义函数、让AI决定调用哪个函数，然后使用提供的参数执行该函数。