Function Calling
Ir para notas que citam estaFunction calling é a capacidade de um modelo de linguagem perceber que precisa de um dado ou ação externa e devolver, de forma estruturada, qual função chamar e com quais parâmetros.
O problema de origem é que um modelo, depois de treinado, fica desatualizado e fechado: não sabe o clima do dia nem o horário de um voo, e não abre uma URL. Sem o dado, tende a estimar ou alucinar. Retreinar com Fine-tuning resolve a atualização a um custo alto; function calling resolve com código comum, e por isso é apontado como a alternativa de menor custo entre as técnicas para melhorar respostas. GPT, Llama, modelos da Anthropic e modelos pequenos que rodam no Ollama já suportam o recurso.
O ciclo de chamada e resposta
O fluxo tem quatro passos: o usuário pergunta; a aplicação identifica que falta um dado e aciona a função correspondente; a função consulta uma API e devolve o resultado; a aplicação enriquece o contexto com esse resultado e o modelo responde.
Na implementação, o cliente de chat recebe o modelo, as mensagens com papéis (system, user, assistant) e a lista de tools, cada uma declarada em schema JSON com nome, descrição e parâmetros, marcando os obrigatórios. Se a resposta trouxer uma chamada de função (tool_calls), a aplicação executa a função e chama o modelo de novo com o resultado anexado às mensagens.
O modelo não executa nada. Ele escolhe a função e preenche os parâmetros, inferindo-os do pedido do usuário; quem roda a ação e devolve o resultado é o código que fez a chamada.
Alguns comportamentos típicos:
- O modelo só chama a função quando a julga necessária; se nenhuma tool combina com o pedido, responde que não sabe fazer aquilo. Quando a chamada é indispensável, dá para forçar o uso de uma função específica.
- Se faltar um parâmetro obrigatório, o modelo tenta preenchê-lo pelo contexto ou sinaliza que não consegue usar a função.
- Funções genéricas, com parâmetros flexíveis e retorno simples (uma string, por exemplo), são mais reaproveitáveis do que funções amarradas a um único caso.
Padrões úteis: cache, fallback e comportamento por parâmetro
Numa consulta de tempo de voo entre São Paulo e Salvador, o modelo sem função estima cerca de 4h37 pela velocidade média do avião; com a função, recupera cerca de 2h30. Com o resultado em cache, alterar o valor para simular um atraso (2h45) muda a resposta seguinte, como uma fonte em tempo real.
A função de fallback enquadra o retorno: define um piso e um teto aceitáveis e, se o valor obtido for um outlier, devolve o limite mais próximo em vez do número bruto, evitando respostas absurdas.
A mesma estrutura também muda o comportamento do modelo conforme o parâmetro passado. Num RPG de mesa, funções dão personalidade e regras a cada NPC (o guarda, o taverneiro com estoque variável) e ao mestre do jogo, sem fine-tuning nem base vetorial. Modelos muito pequenos têm limites: um de cerca de 4 bilhões de parâmetros recusou contar piadas mesmo com a função declarada.
Function calling ao lado do RAG
Function calling não substitui o RAG: um mesmo chatbot pode buscar documentos numa base vetorial e, ao mesmo tempo, chamar APIs externas. O RAG injeta trechos brutos no prompt e o modelo pode errar um cálculo simples, como a média de poucos valores; uma função calcula o número exato. Por dispensar a vetorização, tools também são uma forma mais leve de trazer informação externa.
Casos de uso recorrentes: agentes de conversa com dados diários, cálculos delegados a uma API, integração com sistemas de estatísticas, assistentes que buscam as notícias do dia e persistência da saída do modelo.
Da função isolada aos agentes e protocolos
Um Agente de IA é, em boa parte, um modelo com um conjunto de ferramentas descritas assim. A mesma lógica sobe de nível: no A2A, o Agent Card faz para um agente inteiro o que a descrição da tool faz para uma função. O MCP parte do mesmo princípio de declarar capacidades e parâmetros para que o modelo decida quando usá-las.