Herkunft des Begriffs
Function Calling wurde im Juni 2023 von OpenAI als API-Funktion für GPT-3.5 und GPT-4 eingeführt. Erstmals konnten Entwickler dem Modell eine Liste eigener Funktionen beschreiben, woraufhin das Modell selbst entschied, welche davon zu einer Anfrage passt, und die nötigen Argumente strukturiert zurückgab – statt eine Antwort mühsam aus Freitext herauszuparsen (OpenAI: Function calling and other API updates, Juni 2023).
Weil andere Anbieter dieselbe Idee übernahmen und ein „Werkzeug“ bald mehr sein konnte als nur eine einzelne Funktion – etwa eine ganze API oder ein Dienst –, setzte sich später der breitere Begriff Tool Calling durch. Heute werden beide Begriffe meist synonym verwendet: Function Calling betont die einzelne Funktion, Tool Calling das allgemeinere Werkzeug.
Wie Function Calling funktioniert
Im Kern liefert das Modell keinen ausführbaren Code, sondern eine strukturierte Beschreibung des gewünschten Aufrufs – meist als JSON mit Funktionsname und Parametern. Den eigentlichen Aufruf führt die Anwendung aus.
1. Funktion beschreiben
Die Anwendung definiert pro Funktion Name, Zweck und ein Schema der erwarteten Parameter – das Modell kennt damit das verfügbare Repertoire.
2. Modell entscheidet
Aus der Eingabe leitet das Modell ab, ob und welche Funktion passt, und füllt deren Parameter mit Werten aus dem Gesprächsverlauf.
3. Strukturierte Ausgabe
Statt Freitext gibt das Modell ein maschinenlesbares JSON-Objekt zurück, das der Code sicher und ohne Rateschritt verarbeiten kann.
4. Ausführen & zurück
Die Anwendung ruft die Funktion auf und gibt das Ergebnis ins Modell zurück, das daraus die endgültige Antwort formuliert.
Genau dieser Mechanismus erlaubt es einem KI-Agenten, aktuelle Daten abzurufen oder Aktionen anzustoßen, statt bei fehlendem Wissen eine Halluzination zu erzeugen.
Zuverlässigkeit als Knackpunkt
Function Calling ist nur so gut, wie das Modell die richtige Funktion wählt und deren Parameter korrekt befüllt. Schon ein falscher Funktionsname, ein vergessener Pflichtparameter oder ein falsch formatierter Wert lässt den Aufruf scheitern. Deshalb messen eigene Benchmarks die Funktionsaufruf-Genauigkeit von Modellen – etwa, wie zuverlässig sie präzise Format- und Wertvorgaben einhalten (IFEval-FC: Instruction-Following Evaluation in Function Calling, arXiv 2025).
Für den Unternehmenseinsatz heißt das: enge, klar beschriebene Funktionen, Pflichtfelder absichern und kritische Aufrufe mit einer Freigabe versehen. So bleibt der Aufruf kontrollierbar statt zur Fehlerquelle zu werden.
Function Calling im Unternehmenseinsatz
- Daten abfragen: Das Modell ruft eine Funktion auf, die Lagerbestand, Auftragsstatus oder Kundendaten aus dem Fachsystem holt – die Antwort beruht auf echten Werten statt auf Vermutungen.
- Strukturierte Erfassung: Aus einer formlosen E-Mail extrahiert das Modell per Funktionsaufruf saubere Felder – etwa Rechnungsnummer, Betrag und Fälligkeit für das Buchhaltungssystem.
- Aktionen auslösen: Termin anlegen, Ticket eröffnen oder eine Benachrichtigung senden – jeder Schritt läuft als definierter, protokollierter Funktionsaufruf.
- Anbindung über Standards: Wo viele Werkzeuge wiederverwendbar bereitstehen sollen, kommt zunehmend das Model Context Protocol (MCP) hinzu, das die Bereitstellung der Funktionen vereinheitlicht.
Verwandte Begriffe
Sprachmodelle mit Ihren Systemen verbinden?
Wir binden LLMs über Function bzw. Tool Calling sicher an Ihre Fachsysteme an – mit klaren Funktionsgrenzen, Freigaben und Protokollierung. Im Rahmen unserer KI-Automatisierung.
Kostenlose Erstberatung vereinbaren