Function Calling（LLM）（ファンクションコーリング）

Function Calling（LLM）

概要

Function Calling（関数呼び出し）は、Large Language Model（LLM）が会話の中で外部関数やAPIを呼び出すための標準的な仕組みです。OpenAIが2023年6月にGPT-3.5-turboとGPT-4に導入したことで普及し、現在はClaude・Gemini・Llama・Mistralなど主要LLMの多くが対応しています。

仕組み

Function Callingの動作フローは以下のとおりです：

1. 関数定義の提供: 開発者がAPIに呼び出し可能な関数のスキーマ（名前・パラメータ・説明）を渡す
2. LLMの判断: モデルはユーザーの質問を解析し、関数呼び出しが必要かを判断
3. 引数の生成: 必要と判断した場合、JSON形式で関数名と引数を生成
4. 実行委譲: 実際の関数実行はアプリケーション側が担当
5. 結果の組み込み: 関数の戻り値をコンテキストに追加し、最終回答を生成

import openai

client = openai.OpenAI()

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "指定都市の現在の天気を取得",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string", "description": "都市名"},
                    "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
                },
                "required": ["location"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "東京の天気は？"}],
    tools=tools,
    tool_choice="auto"
)

# モデルが関数呼び出しを判断した場合
tool_call = response.choices[0].message.tool_calls[0]
print(tool_call.function.name)       # "get_weather"
print(tool_call.function.arguments)  # {"location": "Tokyo", "unit": "celsius"}

tool_choiceオプション

主なユースケース

• RAG（Retrieval-Augmented Generation）: search_documents(query) でベクトルDB検索
• リアルタイムデータ取得: 天気・株価・ニュースAPIへのアクセス
• アクション実行: メール送信・カレンダー登録・Slackメッセージ
• 構造化データ抽出: 非構造化テキストからJSONスキーマへの変換
• マルチステップワークフロー: 複数関数を順次・並列に呼び出すエージェント構築

他モデルでの実装

制約と注意点

• セキュリティ: LLMが生成した引数を必ずバリデーションしてから実行する
• 副作用: 削除・送信など不可逆操作は人間の確認ステップを挟む
• コスト: 関数スキーマはトークンを消費するため、関数数を最小化する
• ハルシネーション: 存在しない関数名や不正な引数を生成する場合がある

関連概念

Function CallingはLLMエージェントフレームワーク（LangChain・AutoGen・LlamaIndex）の中核技術です。Anthropic社はFunction Callingと同等の概念を「Tool Use」と呼び、OpenAI APIとは異なる独自形式を採用しています。