【学习记录】Function Call 完全指南：让大模型从“聊天”到“行动”

Function Call（函数调用）是大语言模型从“只会聊天”升级为“能行动”的核心机制。它让 LLM 能够主动请求调用外部工具——查询实时天气、操作数据库、发送邮件、执行计算……本文从原理到代码，带你完整掌握 Function Call 的全链路开发。

---

📌 为什么需要 Function Call？

痛点	说明	Function Call 解决方案
知识截止	LLM 训练数据有截止日期	调用实时天气、股票、新闻 API
无法执行计算	复杂的数学、单位换算容易出错	调用计算器、单位转换函数
不能操作数据库	无法查询或更新私有数据库	调用数据库查询函数，返回结构化结果
不能执行业务逻辑	无法发送邮件、创建工单	调用业务 API，完成实际操作
需要确定性输出	LLM 自由生成的字段名不固定	强制通过函数签名返回严格结构的 JSON

一句话：Function Call = 让 LLM 拥有手脚。

---

一、Function Call 完整流程

---

二、详细步骤与代码实现

2.1 定义函数及 JSON Schema

在系统中预先定义可被调用的函数，并用 JSON Schema 描述其功能、参数、必填项。

import json
from openai import OpenAI

# 模拟一个查询天气的真实函数
def get_current_weather(latitude: float, longitude: float):
    """实际可替换为真实 API 请求"""
    return f"当前坐标 ({latitude}, {longitude}) 的温度是 22°C，晴天"

# 定义函数的 JSON Schema（OpenAI 格式）
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_current_weather",
            "description": "获取指定经纬度的当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "latitude": {
                        "type": "number",
                        "description": "纬度，范围 -90 到 90"
                    },
                    "longitude": {
                        "type": "number",
                        "description": "经度，范围 -180 到 180"
                    }
                },
                "required": ["latitude", "longitude"],
                "additionalProperties": False
            },
            "strict": True
        }
    }
]

2.2 调用 LLM，并传入函数定义

client = OpenAI(api_key="your-api-key")

messages = [
    {"role": "user", "content": "北京今天的天气怎么样？"}
]

# 第一次调用：模型判断是否需要调用函数
response = client.chat.completions.create(
    model="gpt-4o",
    messages=messages,
    tools=tools,                    # 提供可用函数
    tool_choice="auto"              # 让模型自动决定是否调用
)

message = response.choices[0].message

2.3 处理函数调用并执行实际函数

# 如果模型决定调用函数
if message.tool_calls:
    tool_call = message.tool_calls[0]
    function_name = tool_call.function.name
    arguments = json.loads(tool_call.function.arguments)
    
    # 根据函数名执行对应的 Python 函数
    if function_name == "get_current_weather":
        result = get_current_weather(**arguments)
    
    # 将函数执行结果以 tool 消息追加到对话历史
    messages.append(message)                   # 添加模型的 function call 消息
    messages.append({
        "role": "tool",
        "tool_call_id": tool_call.id,
        "content": str(result)
    })
    
    # 第二次调用：让模型基于函数结果生成最终回答
    second_response = client.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        tools=tools,
        tool_choice="auto"
    )
    final_answer = second_response.choices[0].message.content
    print(final_answer)
else:
    # 模型直接回答
    print(message.content)

2.4 完整封装示例（可直接运行）

import json
from openai import OpenAI

class FunctionCallAgent:
    def __init__(self, api_key: str, model: str = "gpt-4o"):
        self.client = OpenAI(api_key=api_key)
        self.model = model
        self.functions = {}          # 存储函数名 -> 实际函数
        self.tools = []              # 存储 JSON Schema

    def register_function(self, func, schema: dict):
        """注册一个可调用函数"""
        func_name = func.__name__
        self.functions[func_name] = func
        self.tools.append({
            "type": "function",
            "function": schema
        })

    def chat(self, user_message: str) -> str:
        messages = [{"role": "user", "content": user_message}]
        
        response = self.client.chat.completions.create(
            model=self.model,
            messages=messages,
            tools=self.tools,
            tool_choice="auto"
        )
        
        msg = response.choices[0].message
        
        if msg.tool_calls:
            messages.append(msg)
            for tool_call in msg.tool_calls:
                func_name = tool_call.function.name
                args = json.loads(tool_call.function.arguments)
                if func_name in self.functions:
                    result = self.functions[func_name](**args)
                    messages.append({
                        "role": "tool",
                        "tool_call_id": tool_call.id,
                        "content": str(result)
                    })
            
            final = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                tools=self.tools
            )
            return final.choices[0].message.content
        else:
            return msg.content

# 使用示例
def get_stock_price(symbol: str):
    """模拟获取股价"""
    prices = {"AAPL": 175.32, "GOOGL": 138.45, "TSLA": 245.60}
    return prices.get(symbol.upper(), "未知")

stock_schema = {
    "name": "get_stock_price",
    "description": "获取美股实时股价",
    "parameters": {
        "type": "object",
        "properties": {
            "symbol": {"type": "string", "description": "股票代码，如 AAPL"}
        },
        "required": ["symbol"],
        "additionalProperties": False
    },
    "strict": True
}

agent = FunctionCallAgent(api_key="your-key")
agent.register_function(get_stock_price, stock_schema)

print(agent.chat("苹果公司今天的股价是多少？"))

---

三、函数定义的关键要素（JSON Schema）

字段	说明	示例
name	函数名称，须与代码函数名一致	"get_current_weather"
description	告诉模型该函数的作用，影响决策准确性	"获取指定位置的天气"
parameters.type	固定为 "object"
parameters.properties	列出每个参数的名称、类型、描述	{"latitude": {"type": "number"}}
parameters.required	必填参数列表	["latitude", "longitude"]
additionalProperties	设为 false 增强严格性	false
strict	要求模型严格遵循 schema（部分 API 支持）	true

---

四、常见应用场景

场景	函数示例
实时信息	查询天气、股票、新闻、汇率
数学计算	计算器、方程求解、单位换算
数据库操作	查询 SQL、插入记录、生成报表
第三方 API	发送邮件、创建日历事件、发短信
业务逻辑	预订机票、计算运费、库存检查
代码执行	运行 Python 代码、解析表达式

---

五、注意事项

1. 函数参数命名：要与 JSON Schema 中完全一致，否则 LLM 生成的可能无法匹配。
2. 结果长度：函数返回的内容不宜过长（建议 < 1000 token），否则模型可能截断或混淆。
3. 错误处理：如果函数执行失败，应返回明确的错误信息，模型会据此告知用户。
4. 多次调用：一个请求中可以包含多个 tool_calls，需循环处理并返回多个结果。
5. 不同 API 的差异：
   • OpenAI：使用 tools 参数，函数调用返回 tool_calls
   • Anthropic Claude：使用 tools，返回 tool_use
   • 国产模型（DeepSeek、Qwen、智谱）也支持类似格式，略有差异。

---

🎯 总结

核心概念	说明
Function Call	LLM 主动请求调用外部函数的机制
JSON Schema	函数的“说明书”，描述名称、参数、类型
tool_choice	控制模型是否/何时调用函数（auto / none / 强制指定）
多次调用	模型可在一个回答中请求多个函数，需依次执行并返回结果

Function Call 是构建 AI Agent 的核心基础设施。它将大语言模型从“嘴炮”升级为“实干家”——不仅能说，还能做。掌握它，你就能构建出能查天气、订机票、操作数据库的真正智能体。