--- title: "Function calling (LLM) (BG)" source: "https://systems-analysis.info/int/Function_calling_(LLM)_(BG)" wiki: "systems-analysis.info/int" article: "Function_calling_(LLM)_(BG)" language: "bg" categories: - "Category:Bulgarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 2324 wiki_created_at: 2026-09-06T23:02:09Z wiki_modified_at: 2026-09-06T23:02:09Z downloaded_at: 2026-09-07T22:50:30Z --- # Function calling (LLM) (BG) **Function Calling** (**Извикване на функции**) — това е механизъм в големите езикови модели (LLM), позволяващ на модела да взаимодейства с външни инструменти и API, генерирайки структурирани данни (като правило, JSON) за извикване на функции вместо директен текстов отговор[\[1\]](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_note-hopsworks_whatis-1). С други думи, моделът въз основа на заявката на потребителя определя коя функция от предложения набор трябва да бъде извикана и с какви параметри. Този механизъм разширява сферата на приложение на LLM, позволявайки им да служат като интерфейс между естествения език и практическите действия. Това открива възможности за интеграция на ИИ с външни системи: моделът може да заявява актуални данни, да изпълнява операции или да използва услуги, което е особено ценно при създаването на интелигентни асистенти и автономни агенти. Използването на външни инструменти също намалява риска от халюцинации (измислени факти) чрез обръщане към достоверни източници[\[2\]](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_note-dark_side_paper-2). ## История и подходи към реализацията ### Ранни подходи (промптинг и Toolformer) Идеята да се научат езиковите модели да извикват инструменти се оформя в периода 2022–2023 г. Ранните подходи се основавали на технологии за сложен промптинг. Така например, през 2022 г. е предложена схемата **ReAct**, при която моделът по време на диалога редува разсъждения и действия (извиквания на инструменти), кодирани в един текст. Ключова стъпка е появата на модела **Toolformer**, представен от изследователи на Meta в началото на 2023 г. Toolformer демонстрира, че LLM може да бъде специално дообучен самостоятелно да извиква външни инструменти (калкулатор, търсачка, календар) по текстови подсказки, вмъквайки в генерирания текст специални токени за извикване на API[\[3\]](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_note-toolformer_paper-3). ### Официална поддръжка и развитие Особена веха бележи компанията OpenAI, която през юни 2023 г. официално въвежда поддръжка на Function Calling в своите API за моделите GPT-3.5 и GPT-4[\[4\]](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_note-openai_fc_announcement-4). Новите версии на моделите са дообучени да разпознават ситуации, в които потребителската заявка предполага обръщение към външна функция, и да генерират точно структуриран JSON-обект с аргументи. В OpenAI нарекоха тази възможност „нов начин за надеждно свързване на GPT с външни инструменти и API". ### Отворени инициативи След търговските реализации се появяват отворени модели, дообучени за генериране на коректни извиквания на функции. - **Gorilla**: Проект на UC Berkeley, дообучена версия на LLaMA, способна да формира извиквания към хиляди различни API. За оценка на такива модели е създаден benchmark Berkeley Function-Calling Leaderboard[\[5\]](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_note-gorilla_site-5). - **ToolAlpaca**, **ToolLLaMA**, **Hermes**: Серии от отворени модели, дообучени върху синтетични примери за извикване на функции, често генерирани от по-мощни модели. ## Механизъм на работа Процесът на използване на Function Calling, като правило, включва няколко стъпки: 1. **Дефиниране на функции**. Разработчикът предварително определя набор от функции, достъпни за модела (например, външни API), и описва техните сигнатури и предназначение, като правило, във формат JSON Schema. 2. **Анализ на заявката**. По време на диалога моделът анализира намерението на потребителя и самостоятелно решава дали за отговора трябва да извика една от дефинираните функции. 3. **Генериране на извикването**. Ако е необходимо действие, LLM вместо обичаен текст генерира специален структуриран изход (например, JSON с името на функцията и аргументите). Ако извикването не е необходимо, моделът връща обичаен текстов отговор. 4. **Изпълнение на функцията**. Външна програма (обвивката на чатбота или агент) получава JSON, извършва реалното извикване на посочената функция с предложените параметри и предава резултата обратно на модела. 5. **Формиране на финалния отговор**. Моделът използва получените данни за генериране на окончателен отговор към потребителя[\[4\]](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_note-openai_fc_announcement-4). За управление на този многостъпков процес по време на обучението на моделите се прилагат специални формати на диалог, например разметката ChatML от OpenAI, при която освен ролите „потребител" и „асистент" се въвежда роля „функция" за предаване на резултатите от извикванията. ## Приложение и предимства Възможността за извикване на функции забележимо разширява спектъра от задачи, решавани с помощта на LLM. - **Интеграция с външни API**. Моделът може да отговаря на заявки, изискващи актуална информация, като извиква външни услуги (например, за получаване на информация за времето, валутни курсове, новини). - **Автоматизация на действия на потребителя**. LLM може да изпълнява рутинни задачи: да изпраща електронни писма, да създава събития в календара, да поставя поръчки в онлайн магазини. - **Достъп до бази данни и анализ**. Заявки на естествен език могат да бъдат транслирани в извиквания на вътрешни API или SQL-заявки за извличане и анализ на данни. - **Извличане на структурирана информация**. LLM може сама да извлича факти от дълъг текст (например, имена, дати, адреси) и да ги връща под формата на структуриран JSON-масив, удобен за последваща програмна обработка. ## Проблеми на сигурността Разширявайки възможностите на моделите, Function Calling едновременно носи нови рискове. - **Непроверени изводи**. Взаимодействието на модела с външни инструменти трябва да бъде внимателно защитено. Ако моделът получи от API вредоносна или грешна стойност, той може да я включи в отговора или да извика друга функция въз основа на нея, което ще доведе до непредвидими последствия. - **Атаки чрез аргументи на функции**. Изследователите са открили уязвимости, специфични за режима Function Calling. През 2025 г. е демонстрирана атака, наречена „Тъмната страна на Function Calling". Нейната същност се състои в предлагане на модела на специална „функция", вътре в аргументите на която е скрита забранена инструкция (*jailbreak-пейлоад*). Моделът, следвайки принципа на извикване на функция, генерира аргументи, съдържащи нарушаващо правилата съдържание, и по този начин заобикаля модерационните филтри. Тестването показа успех на атаката в повече от **90%** от случаите на шест съвременни модела, включително GPT-4 и Claude[\[2\]](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_note-dark_side_paper-2). За предотвратяване на подобни инциденти се препоръчва да се предоставят на модела само доверени инструменти, да се въведе потвърждение от потребителя преди изпълнение на критично важни действия, както и да се използват специални „защитни" промпти и строга проверка на аргументите за опасно съдържание. ## Връзки - Официално съобщение за Function Calling от OpenAI - Страница на проекта Gorilla LLM - Apideck (2024). *An Introduction to Function Calling and Tool Use*. Apideck Blog. - LangChain (2025). *Tool Calling (Documentation)*. LangChain Docs. - Mistral AI (2025). *Function Calling – Documentation*. Mistral Docs. - Hopsworks (2024). *What is Function Calling with LLMs?*. Hopsworks Dictionary. - Hopsworks (2024). *Unlocking the Power of Function Calling with LLMs*. Hopsworks Blog. - University of California, Berkeley (2025). *Berkeley Function Calling Leaderboard V3*. Online Resource. ## Литература - Wu, Z. et al. (2025). *The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models*. ACL 2025. - OpenAI (2023). *Function Calling and Other API Updates*. OpenAI Blog. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Patil, S. G. et al. (2023). *Gorilla: Large Language Model Connected with Massive APIs*. arXiv:2305.15334. - Liu, W. et al. (2024). *ToolACE: Winning the Points of LLM Function Calling*. arXiv:2409.00920. - Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629. ## Бележки 1. [↑](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_ref-hopsworks_whatis_1-0) «What is Function Calling with LLMs?». *Hopsworks*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_ref-dark_side_paper_2-0) [2.1](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_ref-dark_side_paper_2-1) Wu, Z. et al. «The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models». *Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing*, 2025. [2] 3. [↑](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_ref-toolformer_paper_3-0) Schick, T. et al. «Toolformer: Language Models Can Teach Themselves to Use Tools». *arXiv:2302.04761*, 2023. [3] 4. ↑ [4.0](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_ref-openai_fc_announcement_4-0) [4.1](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_ref-openai_fc_announcement_4-1) «Function calling and other API updates». *OpenAI*, 2023. [4] 5. [↑](https://systems-analysis.info/int/Function_calling_(LLM)_(BG)#cite_ref-gorilla_site_5-0) «Gorilla: Large Language Model Connected to Massive APIs». *University of California, Berkeley*. [5]