Function Calling ist, wie ein Sprach-Modell handelt. Bei einem Schema verfügbarer Funktionen gibt das Modell ein strukturiertes JSON-Payload zurück, das angibt, welche Funktion mit welchen Argumenten aufzurufen ist. Die Host-Applikation liest das Payload, führt die Funktion aus und füttert das Ergebnis zurück in die Konversation. Das Modell kann jetzt Dinge tun, nicht nur Dinge sagen.
Wie Function Calling funktioniert.
- Ein Tool-Schema deklarieren. Die Host-Applikation registriert ein Set Funktionen beim Modell: Name, Beschreibung, Parameter-Schema (typisierte und required-vs- optional Felder).
- Modell schlägt einen Call vor. Statt Prosa zu emittieren, gibt das Modell einen strukturierten Request zurück: «Call
get_reservationmit{ date: "2026-05-20", party: 4 }.» - Host führt aus. Die Applikation validiert die Argumente gegen das Schema, führt die tatsächliche Funktion gegen das echte Backend aus und übergibt das Ergebnis zurück.
- Modell macht weiter. Das Ergebnis wird an die Konversation angehängt, und das Modell ruft entweder ein weiteres Tool auf oder produziert die finale nutzer-zugewandte Antwort.
Warum Function Calling wichtig ist.
Es ist die Brücke zwischen Sprach-Modellen und dem Rest des Stacks. CRM-Lookups, Datenbank-Writes, Kalender-Buchungen, Berechnungen, Such-Anfragen — all das taucht beim Modell über Function Calling auf. Ein Agent ohne Tool-Use ist eine Konversation; ein Agent mit Tool-Use ist ein System. Siehe auch Agent Tool Use.
Muster und Fallstricke.
- Strikt validieren. Ein malformiertes Argument sollte schnell fehlschlagen, nicht gecoerct werden. Das Modell kann beim Retry korrigieren.
- Schemata eng halten. Optionale Felder, die das Modell mehrdeutig interpretieren könnte, produzieren inkonsistentes Verhalten. Strenge Typen, klare required-vs-optional, kurze Beschreibungen.
- Tool-Anzahl limitieren. Mehr als fünfzehn oder zwanzig Tools in einem Call degradiert die Selektion. Gruppieren Sie nach Rolle, routen Sie auf höherer Ebene.
- Jeden Call loggen. Jeder Function-Call ist Teil des KI-Observability-Trace. Das Argument, das Ergebnis, die Latenz, die Kosten.
- Beim Host autorisieren. Das Modell ist nicht die Autorisierungs-Schicht. Permissions-Check bei jedem Call.
Häufige Fragen.
- Was ist Function Calling bei LLMs?
- Function Calling ist das API-Muster, bei dem ein Sprach-Modell ein strukturiertes JSON-Payload zurückgibt, das anfordert, eine benannte Funktion mit spezifischen Argumenten aufzurufen — damit das Modell mit externen Systemen (Datenbanken, Kalendern, CRMs, Suche) interagieren kann, statt nur Text zu produzieren. Die Host-Applikation führt die Funktion aus und füttert das Ergebnis zurück.
- Ist Function Calling dasselbe wie Tool Use?
- Effektiv ja im Industrie-Sprachgebrauch 2026. «Tool Use» ist das breitere Konzept (jede Modell-Aktion in der Welt); «Function Calling» ist das spezifische Implementations-Muster, das die meisten Provider shippen. Anthropic nutzt «Tool Use» und OpenAI nutzt «Function Calling» für dasselbe Primitiv.
- Wie viele Tools sollten wir dem Modell exponieren?
- Weniger als zwanzig pro Call in den meisten Workflows. Darüber hinaus degradiert die Fähigkeit des Modells, das richtige Tool zu wählen. Gruppieren Sie Tools nach Rolle und routen Sie auf höherer Ebene (ein Planner-Agent wählt einen Sub-Agenten, der ein kleineres Tool-Set exponiert), wenn der Workflow mehr Oberfläche braucht.
- Wer übernimmt die Autorisierung für Function-Calls?
- Die Host-Applikation, nie das Modell. Jeder Function-Call muss an der Applikations-Grenze gegen die tatsächlichen Permissions des Nutzers autorisiert werden. Behandeln Sie das Modell als untrusted Input; das Schema und die Auth-Schicht sind die Trust-Boundary.
Englische Fassung: Function Calling on the EN edition.