Function Calling (函数调用) 教程

Function Calling 是让大模型连接真实世界的桥梁。它允许 LLM 输出结构化的 JSON 数据来调用外部函数（如查天气、发邮件、读数据库），而不是仅仅输出文本。

1. 什么是 Function Calling

在没有 Function Calling 之前，如果你问 ChatGPT：“今天北京天气怎么样？”，它只能告诉你：“我无法联网，不知道。”

有了 Function Calling：

用户：“北京天气怎么样？”
LLM：（思考：无论据，但我知道有一个 get_weather 工具）-> 输出 JSON: {"name": "get_weather", "args": {"location": "Beijing"}}
程序：捕获到 JSON，在后台真正运行 get_weather("Beijing") 函数，得到结果 "25℃, Sunny"。
程序：把结果 "25℃, Sunny" 再次发给 LLM。
LLM：组织语言 -> 输出文本: “今天北京天气不错，晴天，25度。”

2. OpenAI 格式实战 (Python)

绝大多数支持 Function Calling 的模型（GPT-4, Claude 3, DeepSeek, Qwen）都兼容 OpenAI 的定义格式。

2.1 定义工具 (Tools Definitions)

你需要用 JSON Schema 描述你的函数长什么样。

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_current_weather",
            "description": "获取指定城市的当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "城市名称，如 Beijing, San Francisco"
                    },
                    "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
                },
                "required": ["location"]
            }
        }
    }
]

2.2 发送请求

from openai import OpenAI
import json

client = OpenAI()

messages = [{"role": "user", "content": "What's the weather like in Shanghai?"}]

response = client.chat.completions.create(
    model="gpt-4o",
    messages=messages,
    tools=tools,
    tool_choice="auto"  # 让模型自己决定是否调用工具
)

response_message = response.choices[0].message
tool_calls = response_message.tool_calls

# 检查模型是否想调用工具
if tool_calls:
    print("模型想要调用函数:", tool_calls[0].function.name)
    print("参数:", tool_calls[0].function.arguments)
    # Output: get_current_weather, {"location": "Shanghai"}

2.3 处理并回传 (Function Execution)

在真实应用中，你需要编写代码来解析这个 JSON，执行真正的函数，并将结果追加到 messages 列表中，再次调用 API。

# 假设我们执行了函数得到了结果
weather_result = "Sunny, 28 degrees"

# 1. 把模型刚才的回复（包含工具调用请求）加进历史
messages.append(response_message)

# 2. 把工具执行的结果加进历史（role='tool'）
messages.append({
    "tool_call_id": tool_calls[0].id,
    "role": "tool",
    "name": "get_current_weather",
    "content": weather_result
})

# 3. 再次请求模型，让它生成最终回答
final_response = client.chat.completions.create(
    model="gpt-4o",
    messages=messages
)
print(final_response.choices[0].message.content)
# Output: Shanghai is currently sunny with a temperature of 28 degrees.

3. 进阶应用场景

API 编排: 用户说“帮我把最近 3 个订单退款”，模型调用 get_orders(limit=3) -> refund_order(id=...)。
数据提取: 用户输入一段乱七八糟的文本，让模型调用 save_contact_info(name, phone, email)，虽然不真的存数据库，但利用此机制可以极其精准地提取结构化信息。
智能体 (Agent): Function Calling 是构建 Agent 的基石。Agent 本质上就是在一个 while 循环中不断进行 Function Calling 的过程。

最后更新：2025-12