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。
-
开发者从零开始使用Python和minsearch构建agentic RAG系统
一位开发者在LLM Zoomcamp 2026中详细介绍了他们从零开始构建agentic RAG系统的经验。 该过程涉及使用Python和一个名为minsearch的轻量级搜索库创建检索增强生成（retrieval-augmented generation）管道。关键收获包括文档分块对于提高检索效率的重要性，以及agentic RAG的概念，即LLM利用函数调用自主决定何时以及搜索什么。 该项目使用了Groq的API来运行LLM，…
-
LLM 函数调用详解：模型如何使用工具并避免错误
本文解释了函数调用，这是 LLM 与外部工具和数据交互的关键能力。它详细介绍了模型如何决定使用哪个工具以及使用什么参数，超越了简单的文本预测，实现了结构化的命令输出。文章强调了仔细设计工具模式和处理 LLM 可能的误解以防止操作错误的重要性，尤其是在营销环境中。
-
开发者阐释 RAG、Function Calling、MCP 和 Semantic Kernel
本文详细介绍了开发者在 .NET AI 应用中理解和应用检索增强生成 (RAG)、Function Calling、MCP 和 Semantic Kernel 的历程。旨在阐明何时利用这些不同但相关的技术来构建有效的 AI 解决方案。作者分享了他们在导航这些概念以实现实际应用过程中的个人经验。
-
MCP协议作为独立的AI通信标准出现
作者最初认为MCP（模型通信协议）只是AI模型中函数调用的另一种说法。然而，经过进一步调查，他们发现MCP是一种独立的协议，旨在实现不同AI模型和服务之间的通信。该协议支持比基本函数调用更复杂的交互，能够实现更丰富的信息和功能交换。
-
AI 智能体：MCP 与函数调用在与外部世界交互中的对比
本文探讨了 AI 智能体如何与外部世界进行交互，重点关注两种主要方法：MCP（多智能体通信协议）和函数调用。文章强调，工具对于智能体访问其训练数据之外的信息至关重要。旨在指导开发者选择最有效的 AI 智能体通信策略。
-
LLM 集成指南：MCP、工具使用和函数调用详解
本文探讨了将大型语言模型 (LLM) 与外部系统集成的三种不同方法：MCP、工具使用和函数调用。旨在阐明这些架构之间的区别以及它们如何解决将 LLM 连接到更广泛的数字生态系统的挑战。该指南深入介绍了每种集成方法的底层机制和潜在应用。
-
LLM 研究解决函数调用和系统传播中的不确定性问题
两篇新研究论文探讨了大型语言模型（LLM）中不确定性的关键问题。第一篇论文研究了专门针对 LLM 函数调用的不确定性量化方法，发现简单的单样本方法可以有效，并且可以通过分析输出来改进。第二篇论文解决了复杂 LLM 系统中的不确定性传播问题，提出了一个框架来理解错误如何在各种系统组件和过程中累积。