「AIって文章を生成するのは得意だけど、実際に何かを実行してくれるわけじゃないよね…」
そう感じたことはありませんか？実はその「実行できる」を可能にするのが、今まさに注目されているFunction Calling（ファンクションコーリング）という仕組みなんです。
今回はFunction Callingの基本的な考え方と、Pythonを使った実装例、そしてAIエージェントのアーキテクチャについて、できるだけわかりやすく解説していきます 🚀
Function Callingってそもそも何？
ざっくり一言で言うと、「AIが自分でツールを呼び出して、現実世界のアクションを起こせる仕組み」です。
イメージとしては、こんな感じです。
- 📧 メールを送る
- 📁 ファイルを確認する
- 🗃️ データベースに問い合わせる
- 🐙 GitHubにコードをプッシュする
普通のAIは「メールを送ってください」と言われても、文章を返すだけです。でもFunction Callingを使えば、AIが実際にメール送信の関数を呼び出せるようになります。テキスト生成と「実行」がつながる、それがFunction Callingの本質です 💡
仕組みをシンプルに理解しよう
大まかな流れはこんな感じです。
- ユーザーがAIに指示を出す（例：「明日の天気を調べて」）
- AIが「この指示にはどのツール（関数）が必要か」を判断する
- AIが関数名と引数を JSON 形式で返す
- アプリ側がその関数を実際に実行する
- 実行結果をAIに渡して、最終的な回答を生成する
ポイントは、AIが直接コードを実行しているわけではないという点です。AIは「何を呼び出せばよいか」を提案し、実行はあくまでアプリ側が担当します。これは意外と重要な設計思想で、セキュリティや制御のしやすさにも関わってきます 💡
Pythonで動かすFunction Callingの基本サンプル
OpenAIのAPIを使った、シンプルな実装例を見てみましょう。今回は「天気を取得する関数」をAIに呼び出させるサンプルです。
import openai
import json
client = openai.OpenAI()
# ── ① 利用可能なツールを定義する ──
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "指定した都市の現在の天気を取得する",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "都市名（例: Tokyo, Osaka）"
}
},
"required": ["city"]
}
}
}
]
# ── ② 実際の関数（ここではダミー実装）──
def get_weather(city: str) -> str:
# 本来はWeather APIなどを呼び出す
return f"{city}の天気: 晴れ、気温23℃"
# ── ③ AIにメッセージを送る ──
messages = [
{"role": "user", "content": "東京の天気を教えて"}
]
response = client.chat.completions.create(
model="gpt-4o",
messages=messages,
tools=tools,
tool_choice="auto" # AIが自動でツール使用を判断
)
# ── ④ AIのレスポンスを確認する ──
response_message = response.choices[0].message
print("AIの判断:", response_message)
# ── ⑤ tool_callsがあれば関数を実行する ──
if response_message.tool_calls:
for tool_call in response_message.tool_calls:
func_name = tool_call.function.name
func_args = json.loads(tool_call.function.arguments)
# 関数名に応じて実行
if func_name == "get_weather":
result = get_weather(**func_args)
# ── ⑥ 実行結果をAIに渡して最終回答を生成 ──
messages.append(response_message) # AIの提案を追加
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": result
})
final_response = client.chat.completions.create(
model="gpt-4o",
messages=messages
)
print("最終回答:", final_response.choices[0].message.content)
実行すると、AIが「get_weatherを呼ぶべき」と判断し、関数の実行結果を踏まえた自然な回答を返してくれます。
コードの流れを図解でおさらい
上のコードをステップごとに整理すると、こんな流れになっています。
- ① ツール定義：AIに「こんな関数が使えるよ」と教える
- ② API呼び出し（1回目）：AIがツールを使うかどうかを判断する
- ③ 関数実行：アプリ側で実際に関数を動かす
- ④ API呼び出し（2回目）：関数の結果をAIに渡して最終回答を生成する
「APIを2回呼ぶ」という点が最初は戸惑いやすいポイントです。でも「AIが考える → 人間（アプリ）が動く → AIがまとめる」という流れだと思うと、自然な分業ですよね 😊
複数のツールを使わせるには？
Function Callingの本領発揮は、複数のツールを定義してAIに選ばせるときです。
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "指定した都市の天気を取得する",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string"}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "send_email",
"description": "指定した宛先にメールを送信する",
"parameters": {
"type": "object",
"properties": {
"to": {"type": "string", "description": "宛先メールアドレス"},
"subject": {"type": "string", "description": "件名"},
"body": {"type": "string", "description": "本文"}
},
"required": ["to", "subject", "body"]
}
}
},
{
"type": "function",
"function": {
"name": "search_database",
"description": "社内データベースからキーワード検索する",
"parameters": {
"type": "object",
"properties": {
"keyword": {"type": "string", "description": "検索キーワード"}
},
"required": ["keyword"]
}
}
}
]
こうしておくと、ユーザーの指示に応じてAIが「今回はsend_emailが必要だ」「今回はsearch_databaseを使おう」と自動的に判断してくれます。これがAIエージェントの「賢さ」の正体です。
AIエージェントのアーキテクチャとFunction Calling
Function Callingは、AIエージェントを構成する中核の仕組みです。よく使われるアーキテクチャを整理しておきましょう。
ReAct（Reasoning + Acting）パターン
AIが「考える → 行動する → 観察する」を繰り返すループ構造です。
- Reasoning（推論）：次に何をすべきか考える
- Acting（行動）：Function Callingでツールを呼ぶ
- Observation（観察）：結果を受け取って次の判断に活かす
このループを繰り返すことで、複雑なタスクを段階的に解決できます。LangChainやLlamaIndexのエージェントも、基本的にはこのパターンで動いています。
Tool Use（ツール使用）パターン
OpenAIのFunction Callingがまさにこれです。事前に定義したツール群の中から、AIが必要なものを選んで呼び出します。シンプルなタスクには1回のツール呼び出しで済むことも多く、扱いやすいのが特徴です。
実装するときの注意点
Function Callingを実際に使うとき、気をつけたいポイントをまとめます。
① 関数のdescriptionは丁寧に書く
AIはdescriptionを読んで「どの関数を使うか」を決めます。説明が曖昧だと、意図しない関数が呼ばれることがあります。「いつ・何のために使う関数なのか」を明確に書くことがポイントです。
② 実行前に確認ステップを入れる
特にメール送信やファイル削除など、取り消しのできない操作は、AIの判断をそのまま実行するのは危険です。「本当に実行しますか？」という確認ステップを間に挟む設計にしましょう。
③ tool_choiceで制御できる
API呼び出し時に指定できるtool_choiceパラメータで、ツールの使用を制御できます。
"auto"：AIが自動判断（通常はこれ）"none"：ツールを使わない（通常の回答のみ）{"type": "function", "function": {"name": "get_weather"}}：特定の関数を強制的に呼ぶ
④ エラーハンドリングを忘れずに
関数の実行が失敗したとき、そのエラー内容もAIに渡してあげると、AIが「リトライする」「ユーザーに報告する」といった適切な対処を選べるようになります。
try:
result = get_weather(**func_args)
except Exception as e:
result = f"エラーが発生しました: {str(e)}"
# エラー内容もそのままAIに渡す
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": result
})
Function CallingとLangChainの関係
「LangChainのAgentって何が違うの？」と思う方もいるかもしれません。実はLangChainのToolやAgentも、内部的にはFunction Calling（またはそれに近い仕組み）を使っています。LangChainはそこにループ制御・メモリ管理・チェーン構造などを追加したフレームワークだと理解するとスッキリします 🙌
小規模なユースケースならOpenAI APIのFunction Callingを直接使うのがシンプルでおすすめです。複雑なマルチエージェント構成になってきたら、LangChainやLlamaIndexの導入を検討するとよいでしょう。
まとめ
Function Callingについて整理すると、こうなります。
- ✅ AIにツール（関数）を「提案させる」仕組み
- ✅ 実際の実行はアプリ側が担当する設計
- ✅ 複数ツールを定義して、AIに選ばせることができる
- ✅ ReActパターンと組み合わせることでエージェントが作れる
- ✅ descriptionを丁寧に書くことが品質のカギ
「AIに文章を作らせる」から「AIに仕事をさせる」へ。Function Callingはその橋渡しをしてくれる、とても重要な技術です。まずは天気取得やメモ保存など、小さなツールを1つ作って試してみるのがおすすめです 🚀
こちらも読まれています
📚 関連商品・おすすめ書籍
![ELEGOO Arduino用UNO R3スターターキット レベルアップ チュートリアル付 mega2560 r3 nanoと互換 [並行輸入品]](https://images-fe.ssl-images-amazon.com/images/I/51QNw+fofQL._SL200_.jpg)
もしも
ELEGOO Arduino用UNO R3スターターキット レベルアップ チュートリアル付 mega2560 r3 nanoと互換 [並行輸入品]
チュートリアル付きのArduino入門セット
※本記事にはアフィリエイトリンクが含まれます。
PR
