# Tool Calling (工具呼叫) 是什麼？大模型外部 API 觸發機制定義
在 AI 應用開發中，Tool Calling (工具呼叫) 是讓大語言模型從只能「紙上談兵」的聊天機器人，晉升為能「動手做工」的 AI 智能體（Agentic AI）的底層技術引擎。
無論你是使用 Cursor 讓 AI 自主運行終端命令，還是配置智慧客服連接公司內部系統，底層都在頻繁運行 Tool Calling。本文將為您提供最清晰的術語定義與其工作流程解析。
Tool Calling (工具呼叫) 是大語言模型 (LLM) 識別用戶意圖並主動輸出外部工具調用參數（通常為 JSON 格式）的底座核心能力。當用戶詢問需要即時數據或執行特定操作（如「查詢台北今天氣溫」）時，支援工具呼叫的模型不會直接編造回答，而是會返回包含工具名稱（如 get_weather）與參數（如 {"city": "Taipei"}）的結構化數據。這項能力是構建 AI Agent、連接 MCP 伺服器並與資料庫進行安全對接的核心技術橋樑。
---
Tool Calling 的核心運作四部曲
大模型本身無法直接執行 Python 代碼，也無法直接連線網絡。Tool Calling 實際上是一個大模型與開發者代碼（客戶端）之間的雙向接力循環：
1. 用戶提問 ───► [Client] (附帶工具清單) ───► [LLM] (分析意圖)
│
4. 返回回答 ◄─── [LLM] ◄─── [Client] (返回結果) ◄───┘ (決定呼叫工具，返回 JSON)1. 第一步：註冊與發送 (Tool Registration)
開發者將工具的說明書（包含工具名稱、功能描述、輸入參數格式）以 JSON Schema 的格式，隨著用戶的 Prompt 一起發送給大模型。
2. 第二步：決策與輸出參數 (Model Decision)
大模型分析用戶的問題。如果問題需要用到工具（例如：*「幫我查今天台積電的股價」*），模型不會編造答案，而是會輸出一個「工具調用命令」，包含：
* 要調用的工具：get_stock_price
* 輸入參數：{"symbol": "2330.TW"}
3. 第三步：執行工具 (Tool Execution)
大模型客戶端程式碼接收到模型返回的 JSON 指令後，在本地運行實際的 Python/Node.js 代碼，向證交所 API 發送查詢，拿到結果：{"price": 1050.0}。
4. 第四步：整合回答 (Synthesized Response)
客戶端將這個查詢結果發送回大模型，大模型讀取後，將其轉換為人類聽得懂的自然語言返回給用戶：*「今天台積電的收盤價是 1,050 元台幣。」*
---
Tool Calling 對大模型性能的技術要求
對於智能體開發而言，模型在 Tool Calling 上的表現直接決定了應用的成敗。有兩個核心評測指標：
- 引數解析準確率 (Parameter Extraction Accuracy)：
YYYY-MM-DD 格式的日期時，模型是否能從用戶的口語（*「下週三」*）中精確計算出對應的日期，並以正確格式輸出 JSON。
- 多工具並行呼叫 (Parallel Tool Calling)：
在 2026 年，Qwen 3.7 Max、Claude 3.5 Sonnet 與 GLM-5.1 在 Tool Calling 的測試基準上均達到 95% 以上的完美召回，是目前構建企業級 RAG 與 Agent 最穩固的基底大腦。