Function Calling

Function calling (tambem chamado de uso de ferramentas) e o recurso que permite a um LLM analisar a solicitacao de um usuario e invocar funcoes ou APIs externas em formato JSON estruturado. A OpenAI introduziu suporte oficial em junho de 2023; desde entao, Claude, Gemini e Llama passaram a oferece-lo como recurso padrao, e ele se tornou a unidade atomica das implementacoes de agentes de IA.

Por que isso importa

Os LLMs sao, fundamentalmente, geradores de texto. Sem function calling, perguntar "qual e o clima em Sao Paulo agora?" so consegue trazer a tona o conhecimento do momento do treinamento. Com function calling, o modelo emite get_weather(location: "Seoul") como JSON, o aplicativo host executa a API real e o resultado retorna ao modelo para a resposta final. Esse mecanismo simples e a base dos agentes de IA, da busca com IA e de todo o ecossistema do MCP.

Como funciona

1. Definicoes de ferramentas: O aplicativo passa ao LLM uma lista de funcoes disponiveis: nome, descricao, schema de parametros.
2. Solicitacao do usuario: O usuario insere uma pergunta em linguagem natural.
3. Decisao de chamada: O LLM decide qual funcao invocar e gera os argumentos como JSON.
4. Execucao real: O aplicativo host analisa o JSON e executa a funcao real. O modelo em si nao executa codigo.
5. Injecao dos resultados: A saida da funcao retorna ao contexto do LLM.
6. Resposta final: O LLM produz uma resposta em linguagem natural fundamentada nos resultados.

Exemplo

Definicao da ferramenta:

{
  "name": "search_blog_posts",
  "description": "Search blog posts by keyword",
  "parameters": {
    "type": "object",
    "properties": {
      "keyword": { "type": "string", "description": "search keyword" },
      "limit": { "type": "integer", "default": 5 }
    },
    "required": ["keyword"]
  }
}

Usuario: "Encontre 3 posts sobre GEO"

Resposta do modelo:

{
  "tool_call": "search_blog_posts",
  "arguments": { "keyword": "GEO", "limit": 3 }
}

Depois que o aplicativo executa a ferramenta: [{title: "...", url: "..."}, ...]

Resposta final: "Encontrei 3 posts sobre GEO..."

Function Calling vs MCP vs ReAct

Aspecto	Function Calling	MCP	ReAct
Nivel	Protocolo de chamada de API	Protocolo padronizado de conexao de ferramentas	Padrao de prompting
Funcao	O modelo emite JSON para invocar uma ferramenta	Compartilhar ferramentas entre hosts/servidores diferentes	Loop de raciocinio + acao passo a passo
Relacao	A base do MCP	Padroniza function calling entre aplicativos	Usa function calling dentro de um loop

Function calling e uma unica invocacao de ferramenta; o MCP e como muitos aplicativos compartilham a mesma ferramenta; o ReAct e um padrao para executar chamadas em loop com raciocinio.

Limites e pegadinhas

Risco de alucinacao: O modelo pode inventar funcoes inexistentes ou gerar argumentos ruins. A validacao rigorosa de schema e obrigatoria.

Chamadas paralelas: Modelos de fronteira (GPT-4o, Claude Opus 4.6) conseguem invocar varias funcoes em paralelo. Isso traz a gestao de dependencias.

Custo: Cada chamada expande o contexto e aumenta o gasto com tokens. Reduzir a exposicao de ferramentas melhora tanto o desempenho quanto o custo.

Seguranca: Combinado com injecao de prompt, o function calling pode amplificar os danos. Exija confirmacao do usuario para acoes arriscadas, como pagamentos ou exclusoes.

Implicacoes para GEO

Quando a busca com IA extrai informacao de um blog, ela internamente invoca funcoes como fetch_web_content, search_knowledge ou cite_source. Blogs que expoem HTML limpo e dados estruturados melhoram a qualidade dessas chamadas e aumentam a probabilidade de citacao. Em outras palavras, "um blog facil de ler para as funcoes" e um blog amigavel ao GEO.

Fontes:

• Function Calling Guide - OpenAI
• Tool Use with Claude - Anthropic
• Function Calling in Gemini - Google