《从 “喊一声就动” 到 “智能派单”：FunctionCall 的奇妙工作法则》一、前言在 AI 快速发展的当下，大

一、前言

在 AI 快速发展的当下，大语言模型（LLM）已广泛应用于智能客服、代码辅助等领域，但 “幻觉” 问题严重制约其价值发挥。当用户询问技术细节或数据分析需求时，LLM 常输出模糊、错误的回答。究其原因，基于 Transformer 架构的 LLM 本质是概率生成模型，擅长语言模式模仿，却缺乏真实问题解决能力。

而 FunctionCall 机制的出现带来转机。它就像给 LLM 的 “外挂工具箱”，让模型能根据需求调用数学计算、API 获取等工具函数，实现 “指令 - 调用 - 输出” 闭环，助力 LLM 从 “空谈” 走向 “实干”。后续我们将探究其技术逻辑与应用，一同见证这场 AI 理性革命。

二、AI对话设计（无 FunctionCall）

使用 OpenAI 客户端库调用 DeepSeek 模型回答足球相关问题的 AI 对话设计。主要内容包括：通过环境变量配置 DeepSeek API 密钥，设置基础 URL；创建客户端实例并调用deepseek-reasoner模型；设置系统提示指定 AI 为足球专家角色，用户询问 C 罗国籍，AI 回答其为葡萄牙运动员；最后打印模型的思考过程和最终答案，展示了完整的调用流程和输出结构。

from openai import OpenAI
import os
from dotenv import load_dotenv
load_dotenv('.env.local')


client = OpenAI(
  api_key=os.getenv('DEEPSEEK_API_KEY'),
  base_url="https://api.deepseek.com/v1"
)

completion = client.chat.completions.create(
  model='deepseek-reasoner',
  messages=[
    {'role': 'system', 'content': '你是一个足球领域的专家，请尽量帮我回答与足球相关的问题。'},
    {'role': 'user', 'content': 'c罗是哪个国家的足球运动员？'},
    {'role': 'assistant', 'content': 'c罗是葡萄牙足球运动员。'}
  ]
)

print('思考过程：')
print(completion.choices[0].message.reasoning_content)

print('最终答案：')
print(completion.choices[0].message.content)

2.1 密钥的安全性

相关代码解释：

import os 提供访问和操作环境变量的基础功能，可以让文件读取到其它文件的内容
from dotenv import load_dotenv 将 .env 文件中的变量注入到环境变量中，增强安全性和开发便利性。

将密钥存储在.env.local文件中，不直接暴露在代码里，可避免因代码上传至公开仓库（如 GitHub）而导致密钥泄露。在涉及 FunctionCall 调用外部 API 的 AI 项目中，若密钥不慎公开，可能导致 API 滥用或数据泄露，而.env.local可有效规避这类风险。

2.2 AI对话的建立

completion = client.chat.completions.create(
  model='deepseek-reasoner',
  messages=[
    {'role': 'system', 'content': '你是一个足球领域的专家，请尽量帮我回答与足球相关的问题。'},
    {'role': 'user', 'content': 'c罗是哪个国家的足球运动员？'},
    {'role': 'assistant', 'content': 'c罗是葡萄牙足球运动员。'}
  ]
)

核心功能：创建 AI 对话

代码使用 OpenAI Python 库的client.chat.completions.create()方法向 DeepSeek 模型发送对话请求，并获取回复。这是实现聊天机器人、智能助手等功能的基础。

参数详解

（1）`model='deepseek-reasoner'`

指定使用的 AI 模型为deepseek-reasoner

（2）`messages`参数

对话由多个消息组成，每个消息是一个字典，包含role（角色）和content（内容）：
1. {'role': 'system', 'content': ...}
  - 人为添加，给AI一个足球领域的专家的身份，让它就足球专家的角度去思考
2. {'role': 'user', 'content': ...}
  - 用户消息，即用户提出的问题。示例中用户询问 “C 罗是哪个国家的足球运动员？”
3. {'role': 'assistant', 'content': ...}
  - 助手（AI）的回复。实际使用时，这部分内容由模型生成，示例中是预先写好的正确答案（实际代码运行时会被 API 返回的内容覆盖）。

注意： 如果需要多轮对话，可以通过在messages列表中添加更多消息，比如：

messages=[ 
{'role': 'system', 'content': '你是足球专家'},
{'role': 'user', 'content': 'C罗效力过哪些俱乐部？'}, 
{'role': 'assistant', 'content': '他效力过曼联、皇家马德里等俱乐部。'}, 
{'role': 'user', 'content': '他在皇马进了多少球？'} 
# 追加新问题，形成对话 ]

三、 AI对话设计（有 ·FunctionCall）

from email import message
from openai import OpenAI
import os
from dotenv import load_dotenv
load_dotenv('.env.local')

client = OpenAI(
  api_key=os.getenv('DEEPSEEK_API_KEY'),
  base_url="https://api.deepseek.com/v1",
)

def send_message(messages):
  response = client.chat.completions.create(
    model='deepseek-reasoner',
    messages=messages,
    tools=tools,
    tool_choice='auto'
  )
  return response

# 打造一个函数调用的工具
tools = [
  {
    "type": "function",
    "function": {
      "name": "get_closing_price",
      "description": "获取指定股票的收盘价",
      "parameters": {
        "type": "object",
        "properties": {
          "name": {
            "type": "string",
            "description": "股票名称",
          },
        },
        "required": ["name"],
      }
    }
  }
]

# 定义函数
def get_closing_price(name):
  if name == '青岛啤酒':
    return '67.92'
  elif name == '贵州茅台':
    return '1488.21'
  else:
    return '未找到该股票'


if __name__ == '__main__': 
  messages = [{"role": "user", "content": "青岛啤酒的收盘价是多少？"}]
  response = send_message(messages)

  message = response.choices[0].message
  messages.append({
    "role": message.role,
    "content": message.content,
    "tool_calls": message.tool_calls
  })


  print("回复：")
  print(response.choices[0].message.content)

3.1 AI对话的建立

给 AI 装上 “超能力外挂”！手把手教你打造 send_message 神方法

client.chat.completions.create() 是调用 DeepSeek 模型 API 的核心方法，用于创建一个对话完成请求。
model='deepseek-reasoner' 指定了使用的模型为 deepseek-reasoner，这是一个支持推理和工具调用的模型。
messages=messages 将函数传入的对话消息列表传递给模型，模型会基于这些消息进行回复。
tools=tools 引入了 FunctionCall 机制，tools 是一个预定义的列表，其中包含了可供模型调用的工具函数的描述。模型会根据对话内容判断是否需要调用这些工具函数来获取信息。
tool_choice='auto' 表示让模型自动决定是否调用工具函数以及调用哪些函数。模型会根据对话内容和工具函数的描述，智能判断是否需要通过调用外部函数来更好地回答问题。

震惊！看似无所不能的 AI，竟偷偷向人类索要这份 “通关秘籍”！

# 打造一个函数调用的工具
tools = [
  {
    "type": "function",
    "function": {
      "name": "get_closing_price",
      "description": "获取指定股票的收盘价",
      "parameters": {
        "type": "object",
        "properties": {
          "name": {
            "type": "string",
            "description": "股票名称",
          },
        },
        "required": ["name"],
      }
    }
  }
]

tools ---"通关秘籍"

tools = [ ... ]这段代码创建了一个列表，用于定义可被大语言模型（LLM）调用的工具函数信息，是 FunctionCall 机制的关键组成部分。它就像是给模型的 “使用说明书”，让模型知道有哪些功能可供调用。下面为你详细拆解：

整体结构：tools是一个列表，其中每个元素描述一个工具函数。当前列表只包含一个工具函数的描述，实际应用中可根据需求扩展多个。
工具类型定义：
```
"type": "function"
```
明确告知模型，这个工具是一个函数类型。在 FunctionCall 机制中，除了函数类型，未来可能还会有其他类型（如 API 调用等），通过此字段进行区分。提醒：我们的演示数据都是固定的，后面主要是利用API调用去获取数据
函数详细信息：
- 函数名称：
```
"name": "get_closing_price"
```
  定义函数的名称，后续模型若判断需要调用该函数，会使用此名称指定操作。
函数描述：
```
"description": "获取指定股票的收盘价"
```
用自然语言向模型解释函数的功能，帮助模型理解在什么场景下应该调用该函数。例如当用户询问 “贵州茅台今天收盘价是多少” 时，模型通过分析问题和该描述，判断是否调用get_closing_price函数。
参数定义：
```
"parameters": {
    "type": "object",
    "properties": {
        "name": {
            "type": "string",
            "description": "股票名称",
        },
    },
    "required": ["name"]
}
```
- type: "object" ：表示函数的参数整体是一个对象（JSON 格式的数据结构）。
- properties：定义对象中包含的属性。这里只有一个属性name，类型为字符串，描述为 “股票名称” ，即调用函数时需要传入股票名称。
- required：指定必须传入的参数，这里表明name参数是调用函数时必不可少的。

四、两者区别

4.1 核心功能差异

第一段代码（无 FunctionCall）

功能定位：简单的问答对话，AI 直接生成文本回答。
交互模式：用户提问 → AI 基于知识库直接回答。
应用场景：适用于一般性问答，如知识查询、闲聊等。

第二段代码（集成 FunctionCall）

功能定位：智能工具调用，AI 可根据需求调用外部函数获取数据。
交互模式：用户提问 → AI 判断是否需要调用工具 → 执行函数 → 返回结果。
应用场景：适用于需要动态数据或外部服务的场景，如股票查询、天气获取等。

4.2 代码结构差异

核心组件

第一段：直接通过completion = client.chat.completions.create()发送消息。
第二段：封装为send_message()函数，并引入tools和tool_choice参数。

FunctionCall 配置

第一段：无 FunctionCall 相关代码，AI 仅依赖自身知识生成回答。
第二段：
- 定义tools列表，包含函数描述（如get_closing_price）。
- 设置tool_choice='auto'让 AI 自动决定是否调用函数。

函数实现

第一段：无自定义函数，所有逻辑由 AI 完成。
第二段：实现get_closing_price()函数，用于查询股票收盘价，AI 可调用此函数获取数据。

4.3. 对话流程差异

第一段代码的执行流程

用户提问：“C 罗是哪个国家的足球运动员？”
AI 直接回答：“C 罗是葡萄牙足球运动员。”

第二段代码的执行流程

用户提问：“青岛啤酒的收盘价是多少？”
AI 分析问题，判断需要调用get_closing_price函数。
执行函数，获取实际数据（如 “67.92”）。
AI 结合函数结果生成最终回答。

4.4总结对比表

特性	第一段代码（无 FunctionCall）	第二段代码（FunctionCall）
核心功能	文本对话生成	智能工具调用
交互模式	单轮问答	多轮（问题→函数调用→结果整合）
代码结构	简单直接，无函数定义	复杂，需定义工具描述和函数实现
数据来源	AI 知识库	外部函数 / API
应用场景	一般性问答、闲聊	需要实时数据或特定工具的场景（如查询、计算）
扩展性	弱（依赖模型更新）	强（可自定义工具）

五、总结

FunctionCall 机制通过为 AI 配备标准化工具函数，构建起 "动态工具调用 - 数据验证 - 结果整合" 的闭环体系：不仅能实时获取股票行情、天气数据等动态信息，从源头规避 AI 因知识滞后产生的 "幻觉"，更可通过多轮函数递归调用实现复杂逻辑处理。例如在订餐场景中，AI 可依次调用get_restaurant_list、check_availability、place_order等工具，自动补全用户未明确的就餐时间、人数等信息，直至完成订单提交，真正实现从 "被动回答" 到 "主动执行" 的能力跃迁。这种工具赋能模式，既保持了 AI 自然语言交互的灵活性，又通过工程化手段确保任务执行的准确性，为构建可落地的智能应用提供了关键技术支撑。

《从 “喊一声就动” 到 “智能派单”：FunctionCall 的奇妙工作法则》