作者：一位Android开发工程师 | 2026年7月1日
系列：Agent 核心能力——让 LLM 调用你的函数

---

前言

之前所有调用都是"你问 LLM 答"——LLM 只能说，不能做。

Function Calling 改变了这一点：你告诉 LLM 有哪些工具可以用，LLM 决定要不要用、用哪个、传什么参数。你的代码执行工具，把结果还给 LLM。

这是 Agent 区别于普通 Chatbot 的核心能力。

---

完整流程（两次 API 调用）

第1次请求：用户问"北京天气？" → LLM 返回"我要调 get_weather(city=北京)"
         ↓
    你的代码执行 get_weather("北京") → 返回"晴天25°C"
         ↓
第2次请求：把结果告诉 LLM → LLM 生成自然语言"北京今天晴天，25°C"

---

核心代码

定义工具（JSON Schema）

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "获取指定城市的天气信息",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名称"}
            },
            "required": ["city"],
        },
    },
}]

骨架永远不变，变的是 name、description、properties。

第一次请求

response = client.chat.completions.create(
    model="turing/gpt-4o-mini",
    messages=[{"role": "user", "content": "北京天气怎么样"}],
    tools=tools,  # ← 多了这个参数
)
msg = response.choices[0].message

如果 LLM 想调工具，msg.tool_calls 会有值；否则 msg.content 直接有回答。

执行工具 + 第二次请求

if msg.tool_calls:
    tool_call = msg.tool_calls[0]
    args = json.loads(tool_call.function.arguments)  # {"city": "北京"}
    result = get_weather(args["city"])               # "晴天25°C"

    response2 = client.chat.completions.create(
        model="turing/gpt-4o-mini",
        messages=[
            {"role": "user", "content": "北京天气怎么样"},
            msg,  # LLM 的工具调用请求
            {"role": "tool", "tool_call_id": tool_call.id, "content": result},
        ],
    )
    print(response2.choices[0].message.content)

---

为什么第二次请求要带上完整 messages

因为 LLM 没有记忆（第4天学的）。每次 API 调用都是全新的，你必须把完整上下文打包发过去：

• user 消息：原始问题（不然 LLM 不知道在为谁回答）
• assistant 消息（tool_calls）：LLM 的工具调用请求（不然 LLM 不知道这是工具返回的结果）
• tool 消息：工具执行结果

---

今天的一句话总结

Function Calling 的本质是一次"请求→执行→再请求"的两次调用过程。LLM 决定调什么工具，你的代码执行工具，结果还给 LLM 生成回答。这是 Agent 循环的雏形。

---

下一篇预告

第13天：多工具编排——给 LLM 三个工具，看它能不能自动选对。

---

本系列记录一位Android开发者转行AI Agent的完整学习过程，欢迎关注交流。