Function Calling & Structured Output
[Translation Pending]\n\n# 第 07 期 | Function Calling 与结构化输出
副标题：让 Gemma 输出严格的 JSON Schema，实现工具调用（Function Calling）模式，为 Agent 集成打下基础。
🎯 学习目标
- 理解 Function Calling 的核心原理及其在 LLM 应用中的重要性。
- 掌握通过高级 Prompt Engineering 技术，引导 Gemma 模型输出严格遵循 JSON Schema 的结构化数据。
- 学习如何将工具定义（Tool Definition）融入 Prompt，模拟实现 Gemma 的工具调用（Function Calling）模式。
- 了解如何利用 Python 库（如 Pydantic）对 Gemma 的结构化输出进行验证和解析，提高应用健壮性。
📖 核心概念讲解
7.1 什么是 Function Calling？
在大型语言模型（LLM）的语境中，Function Calling（或称 Tool Use、Tool Calling）是指 LLM 能够理解用户的意图，并决定何时以及如何调用外部工具或函数来完成任务的能力。这使得 LLM 不再仅仅是一个文本生成器，而是可以与外部世界（如数据库、API、计算器、网页搜索等）进行交互的智能代理。
Function Calling 的基本流程：
- 用户输入： 用户提出一个请求，例如“请帮我查询伦敦现在的天气”。
- LLM 接收： LLM 接收到这个请求。
- LLM 决策： LLM 分析请求，识别出需要调用外部工具（如天气查询 API）才能回答。
- LLM 输出工具调用： LLM 不直接回答，而是生成一个结构化的输出（通常是 JSON 格式），指示要调用的工具名称及其参数，例如：
{"tool_name": "get_current_weather", "parameters": {"location": "London"}}。 - 外部系统执行： 应用程序（或 Agent 框架）解析 LLM 的输出，调用对应的真实函数或 API。
- 结果返回： 真实函数执行后，将结果（例如“伦敦现在多云，气温 15°C”）返回给应用程序。
- LLM 总结： 应用程序将函数执行结果再次作为上下文输入给 LLM。
- LLM 回答用户： LLM 根据工具执行的结果，生成一个自然语言的回答返回给用户。