Function Calling使用

入门·10 分钟·通过可运行代码讲解「Function Calling使用」，覆盖环境准备、核心代码、参数说明、异常处理、工程化改造和练习任务，适合 AI 编程入门。

Function Calling使用

Function Calling 让模型不只生成文字，还能按照你定义的函数格式请求调用外部工具。它是构建工具型助手和 Agent 的基础能力。

为什么需要Function Calling

如果用户问“北京今天气温多少”，模型自己不应该凭空回答。正确做法是让模型识别出需要查天气，然后调用天气函数，把真实结果再组织成自然语言。

Function Calling 的价值是把“语言理解”和“外部能力”连接起来。

一个天气函数例子

先定义普通 Python 函数：

def get_weather(city: str) -> dict:
    return {
        'city': city,
        'weather': '晴',
        'temperature': '26℃'
    }

真实项目中这个函数可能会请求天气 API。

给模型描述工具

你需要告诉模型工具名称、用途和参数结构：

tools = [{
    'type': 'function',
    'function': {
        'name': 'get_weather',
        'description': '查询指定城市的天气',
        'parameters': {
            'type': 'object',
            'properties': {
                'city': {'type': 'string', 'description': '城市名称'}
            },
            'required': ['city']
        }
    }
}]

模型看到用户问题后，会决定是否需要调用这个函数。

执行流程

Function Calling 通常分两步：

第一次请求：模型判断要调用哪个函数，并给出参数。
程序执行函数，把结果发回模型。
第二次请求：模型根据函数结果生成最终回答。

注意：函数不是模型自动执行的，而是你的程序执行的。模型只负责提出调用请求。

参数校验很重要

不要盲目信任模型给出的参数。调用真实接口前要检查：

参数是否缺失；
类型是否正确；
是否越权；
是否包含危险内容；
是否超过频率限制。

例如删除文件、发送邮件、付款等高风险函数必须人工确认。

适合的场景

查询天气、快递、订单；
检索数据库；
执行计算；
创建日程；
调用企业内部系统；
将自然语言转换成结构化参数。

常见错误

工具描述太模糊，模型不知道何时调用；
参数 schema 写得太松，导致格式不稳定；
函数执行失败后没有把错误反馈给模型；
给模型过多工具，选择变得混乱；
高风险工具没有权限控制。

小结

Function Calling 的核心是：模型负责理解意图和生成参数，程序负责执行工具和控制权限。它让 AI 从“会说”走向“能做”，但也要求更严格的工程安全设计。

← 上一篇：用Python构建聊天机器人下一篇：流式输出Stream实现 →

反馈问题