7.1 함수 호출(Function Call) 구조 이해
OpenAI의 GPT 모델은 기본적으로 자연어 입출력을 처리하지만, 2023년 GPT-4와 함께 도입된 "함수 호출(Function Calling)" 기능은 이러한 모델을 실제 외부 기능 호출이나 코드 실행과 연동되도록 만들어줍니다. 이를 통해 단순히 텍스트 응답을 넘는, 구조화된 출력 및 외부 시스템 통합이 가능한 강력한 LLM 애플리케이션을 설계할 수 있습니다.
이 절에서는 Function Calling의 작동 원리를 구조적으로 설명하고, 실제 사용 예제와 함께 그 활용 방법을 구체적으로 소개합니다.
7.1.1 Function Calling의 목적과 배경
Function Calling은 아래와 같은 주요 요구로 등장했습니다:
{"name": ..., "args": ...} 형태의 구조화된 명령어 출력을 원하는 경우
대화의 흐름에서 특정 작업(날씨 조회, 계산 등)을 외부 함수로 위임하기 위함
사용자와 모델 간의 상호작용을 통해 실제 액션이 가능한 시스템 구축 목적
기존에는 모델이 다음과 같은 식으로 단순히 텍스트로 명령을 생성했습니다:
“현재 위치의 날씨가 궁금하다면 /weather?location=Seoul 을 호출하세요.”
그러나 Function Calling을 사용하면, 모델이 다음처럼 직접적으로 파싱 가능한 JSON 명령을 반환합니다:
{
"function_call": {
"name": "get_weather",
"arguments": "{ \"location\": \"Seoul\" }"
}
}이를 통해 응답 내용을 파싱하고, 해당 기능을 코드로 실행한 후 다시 모델에 결과를 전달하는 패턴을 구현할 수 있습니다. 이는 곧 “모델을 API 호출 큐레이터”로 변모시키는 강력한 방식입니다.
7.1.2 작동 흐름 요약
Function Calling의 기본 동작 흐름은 다음과 같습니다:
개발자가 openai.ChatCompletion.create() 호출 시 사용할 함수 사양(Function schema)을 함께 제공
사용자의 메시지를 모델에게 전달
모델이 사용자의 의도를 바탕으로 어떤 함수가 필요한지 판단
그 함수 이름(name)과 인자(arguments)를 JSON 형식으로 반환 (function_call)
클라이언트 측 또는 서버 로직에서 해당 함수를 실행
실행 결과를 모델에 다시 전달하여 후속 응답 생성
흐름 다이어그램:
사용자 → GPT 모델 → 함수 호출 추론 → 서버/클라이언트에서 함수 실행 → 결과 응답 → 모델 → 사용자7.1.3 Function Schema 정의 방법
함수 호출에 사용할 수 있는 함수의 "스키마"는 JSON Schema와 유사한 구조를 사용합니다. Python SDK를 예로 들면 다음처럼 정의합니다:
functions = [
{
"name": "get_weather",
"description": "특정 위치의 현재 날씨를 조회합니다.",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "날씨를 알고 싶은 도시, 예: Seoul"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"description": "온도 단위"
}
},
"required": ["location"]
}
}
]여기서 중요한 요소는 다음과 같습니다:
name: 모델이 호출할 함수 이름
description: 모델이 함수의 용도를 이해할 수 있도록 도움을 줌 (명확할수록 모델이 잘 사용함)
parameters: 이 함수가 받을 수 있는 매개변수의 구조 정의
※ 함수 명은 Snake case (예: get_weather) 등 코드와 일치하면 좋습니다. description은 짧고 명확하게 작성합니다.
7.1.4 모델 사용 및 Function Call 예제
실제 호출 예제를 보겠습니다. 아래는 OpenAI의 ChatCompletions API를 이용하여 날씨 정보를 가져오는 예제입니다.
import openai
openai.api_key = "YOUR_API_KEY"
response = openai.ChatCompletion.create(
model="gpt-4",
messages=[{"role": "user", "content": "서울의 날씨가 어떤지 알려줘"}],
functions=functions, # 앞서 정의한 스키마
function_call="auto" # 또는 "none", {"name": "함수명"}
)
print(response["choices"][0]["message"])기대 출력:
{
"role": "assistant",
"content": null,
"function_call": {
"name": "get_weather",
"arguments": "{ \"location\": \"서울\" }"
}
}이제 이 arguments를 실제 Python 함수와 연동하여 날씨 API에 요청하거나 더미 데이터를 반환한 후, 그 결과를 다시 모델에 전달할 수 있습니다.
예:
# 함수 호출 예시
def get_weather(location, unit="celsius"):
return f"{location}의 현재 기온은 15도입니다."
# 결과 전달용 메시지
function_response = get_weather("서울")
second_response = openai.ChatCompletion.create(
model="gpt-4",
messages=[
{"role": "user", "content": "서울의 날씨가 어떤지 알려줘"},
response["choices"][0]["message"], # function_call 메시지
{
"role": "function",
"name": "get_weather",
"content": function_response
},
]
)
print(second_response["choices"][0]["message"]["content"])이 과정을 통해 GPT는 사용자의 질문 → 구조적 함수 호출 유도 → 실행 결과를 받아 자연어 응답을 완료하는 한 사이클을 마치게 됩니다.
7.1.5 function_call="auto" / "none" / 수동 지정 해설
Function Call을 활성화하거나 제어하려면 아래 3가지 방식 중 하나를 선택합니다:
function_call="auto" GPT에게 판단을 맡깁니다. 사용자의 질문에 따라 필요한 함수가 있다면 호출합니다. 일반적인 사용에서 가장 편리함.
function_call="none" 절대 함수 호출을 하지 않고, 일반 대화만 진행합니다. 디버깅 시 또는 함수 사용을 제한하고 싶은 경우에 사용.
function_call={"name": "get_weather"} 특정 함수 호출을 강제로 지정합니다. 모델이 알아서 판단하지 않고 반드시 해당 함수 호출을 수행하게 됩니다. 테스트나 특정 플로우 유도 시 유용.
7.1.6 다수의 함수 등록과 선택
Function Calling은 여러 개의 함수를 동시에 등록할 수 있습니다. 이 경우, 모델은 사용자의 요청과 가장 일치하는 함수를 선택하려 시도합니다.
functions = [
{...}, # get_weather
{
"name": "calculate_tax",
"description": "소득에 따른 세금 계산",
...
},
{
"name": "lookup_product",
"description": "제품 이름으로 가격 및 설명 조회",
...
}
]위와 같이 다수의 함수를 올려두면, 모델은 context에 맞는 함수를 선택해 호출하려고 시도합니다. 그러나 명확한 프롬프트와 함수 설명이 없으면 오탐 가능성도 있으므로, 컨텍스트 디자인에 유의해야 합니다.
7.1.7 실제 함수 실행 계층은 사용자 구현
중요한 점은, OpenAI API는 단지 “어떤 함수를 어떤 인자로 호출하면 좋겠다”를 제안해줄 뿐, 실제 해당 함수를 호출하거나 코드를 실행해주지는 않는다는 것입니다.
따라서 다음은 우리가 직접 수행해야 합니다:
response에서 function_call을 판단
arguments를 JSON으로 파싱
함수 이름에 맞는 실제 Python 함수 혹은 외부 API 실행
그 결과를 다시 모델에게 주기 위한 메시지를 구성
이러한 로직은 Flask, FastAPI 등의 백엔드 서버 위에서 처리되며, 실질적인 “AI Assistant System”의 핵심 로직을 구성하게 됩니다.
7.1.8 요약
목적
GPT가 외부 함수나 API를 호출할 수 있도록 유도하고, 구조화된 출력을 얻기 위함
장점
도구 연동, 자연어 → 구조화 명령 전환, 자동 워크플로우 트리거 가능
핵심 구조
function 사양 → function_call 출력 → 실제 함수 실행 → 응답 모델 전달
제약
직접 실행하지 않음, 인자 해석 오류 가능성 존재
활용 예
날씨 검색, 계산기, 검색 봇, DB 조회, 이메일 자동화, 스케줄러 등
다음 절(7.2)에서는 이러한 Function Calling 기능 위에 최근 추가된 JSON Mode의 차이점과 장점을 설명하며, 여러 응용 활용 예로 확장해 나가겠습니다.
Last updated