构建AI智能体：七、Function Calling - 解锁大语言模型的实际行动力+案例解析

​       先忽略Function Calling的名称，看看“解锁大语言模型的实际行动力”，为什么有此一说？难道大模型也会有到达不了的彼岸？如果接触过DeepSeek，我们都会惊叹于大语言模型（LLM）对答如流、才华横溢以及解答问题的能力。然而它本质上是一个知识丰富的聊天者，能让人惊叹的做出完美的解决方案，唯一缺陷的是没有办法做真正的事情处理，好比能告诉我们最优秀完美的旅游方案，却没有办法去定一张机票，鉴于此，Function Calling（函数调用）完美登场，助力解锁大语言模型的实际行动力，让AI不只是“说”，更能“做”，让我们今天就好好了解Function Calling原理与应用指南！

一、概念解析

Function Calling 是大模型提供的一项革新能力。它充当了模型思考与外部行动之间的关键桥梁。它允许开发者告诉模型：‘你拥有这些可用的工具（函数）’，模型则能在理解用户意图后，聪明地决定是否需要使用某个工具，并以结构化格式请求调用它。开发者收到请求后，执行实际的操作（如查询数据库、发送邮件、调用API），并将结果反馈给模型，模型最终整合信息，生成自然语言回复给用户。

1.什么是Function

函数（function）是用来组织和执行代码逻辑的基本单元，它们都封装了一段可重复使用的代码块，接收输入参数并可能返回结果；

每个函数有：名称、清晰描述、参数（名称、类型、描述）；

2.Function Calling 过程拆解

• ****第一步（开发者）：声明函数列表（名称、描述、参数）并告知大模型

• ****第二步（****用户）：发送请求，包含或不包含调用函数的请求

• ****第三步（****大模型）：理解用户意图，判断是否需要调用函数？如果需要，调用哪个函数？

  生成结构化请求：输出一个标准的JSON对象，包含明确的 function_call 信息（name - 函数名，arguments - 符合函数参数定义的JSON字符串）。

• ****第四步（开发者）：解析大模型输出的JSON，找到对应的函数实现

  执行函数： 调用方法，传入解析后的参数，获取函数执行结果；

  结果反馈：将函数执行结果（通常是JSON）反馈给大模型；

• 第五步（大模型）： 结合上下文信息以及函数执行结果，生成回复内容，向用户解释结果或进行下一步交互。

下面是即将调试的一个用例，可以先看看初步流程，稍后可以看看具体执行过程！

图示说明：

1. 开发者系统初始化

   • 预先向大模型注册函数定义（名称、描述、参数结构）

2. 用户触发流程

   • 用户输入自然语言请求（隐含需要外部操作）

3. 大模型智能决策

   • 解析意图 → 选择函数 → 提取参数 → 输出结构化JSON请求

4. 开发者系统关键操作

   • 参数校验（类型/范围/安全性检查）

   • 执行真实函数（API/数据库/服务调用）

   • 返回结构化结果给大模型

5. 大模型生成最终回复

   • 将原始数据转化为用户友好的自然语言

3.Function Calling 的优点

• 解决“只说不做”的问题： 直接扩展大模型能力边界。

• 超越Prompt的限制： 避免在Prompt中过度复杂指令逻辑或尝试让大模型想象结果，导致简单的问题复杂化，加大偏差。

• 提高可靠性： 结构化请求比从自由文本中解析意图和参数更可靠、更稳定。

• 提升效率： 大模型专注于意图理解和结果解释，将执行交给更擅长、更安全的专业代码。

• 增强安全性： 实际代码执行在受控环境中，大模型本身不直接操作敏感系统。

• 实现动态交互： 构建多步骤、依赖外部状态的复杂Agent工作流的基础。

4.应用场景

• 智能助手/聊天机器人： 查天气、订餐、查航班酒店、查订单、控制智能家居

• 数据查询与分析： 连接数据库（SQL查询）、CRM、ERP系统，用自然语言获取报告。

• 内容增强与自动化： 根据用户描述生成图片（调用自定义API）、发送邮件/消息通知、生成日历事件。

• 代码助手： 执行代码解释、单元测试、简单重构（调用本地工具）。

• 工作流自动化： 作为复杂自动化流程的智能决策和交互节点。

5.注意事项

• 大模型判断错误： 可能误判需要调用函数，或选错函数。需要设计回退/确认机制。

• 参数提取错误： 大模型可能误解用户意图导致参数值错误。强调参数校验的重要性。

• 描述优化： 编写高效的函数/参数描述需要技巧和迭代。

• 复杂逻辑处理： 处理需要多次函数调用、状态依赖的复杂流程。

• 安全性与权限： 确保函数调用在授权范围内执行，防止越权操作。

• 成本与延迟： 多次交互可能增加Token消耗和整体响应时间。

二、应用示例

1.背景说明

基于Qwen-Plus的大模型创建一个指定城市的天气查询对话系统，利用大模型的函数调用（Function Calling）能力实现智能交互，看看整个流程的执行！

2.示例代码

import json
import os
import dashscope
from dashscope.api_entities.dashscope_response import Role
# 从环境变量中，获取 DASHSCOPE_API_KEY
api_key = os.environ.get('DASHSCOPE_API_KEY')
dashscope.api_key = api_key
# 编写天气函数，调用本地的函数看看Function Call的效果，此处可替换为天气的接口看真实数据
def get_current_weather(location, unit="摄氏度"):
    # 获取指定地点的天气
    temperature = -1
    if '杭州' in location or 'Hangzhou' in location:
        temperature = 10
    if '上海' in location or 'Shanghai' in location:
        temperature = 36
    if '深圳' in location or 'Shenzhen' in location:
        temperature = 37
    weather_info = {
        "location": location,
        "temperature": temperature,
        "unit": unit,
        "forecast": ["晴天", "微风"],
    }
    return json.dumps(weather_info)
# 封装模型响应函数
def get_response(messages):
    try:
        response = dashscope.Generation.call(
            model='qwen-plus',
            messages=messages,
            functions=functions,
            result_format='message'
        )
        return response
    except Exception as e:
        print(f"API调用出错: {str(e)}")
        return None
# 使用function call进行QA
def run_conversation():
    query = "杭州的天气怎样"
    messages=[{"role": "user", "content": query}]
    # 得到第一次响应
    response = get_response(messages)
    if not response or not response.output:
        print("获取响应失败")
        return None
    print('response=', response)
    message = response.output.choices[0].message
    messages.append(message)
    print('message=', message)
    # Step 2, 判断用户是否要call function
    if hasattr(message, 'function_call') and message.function_call:
        function_call = message.function_call
        tool_name = function_call['name']
        # Step 3, 执行function call
        arguments = json.loads(function_call['arguments'])
        print('arguments=', arguments)
        tool_response = get_current_weather(
            location=arguments.get('location'),
            unit=arguments.get('unit'),
        )
        tool_info = {"role": "function", "name": tool_name, "content": tool_response}
        print('tool_info=', tool_info)
        messages.append(tool_info)
        print('messages=', messages)
        #Step 4, 得到第二次响应
        response = get_response(messages)
        if not response or not response.output:
            print("获取第二次响应失败")
            return None
        print('response=', response)
        message = response.output.choices[0].message
        return message
    return message
functions = [
    {
      'name': 'get_current_weather',
      'description': '获取指定地点，指定温度单位的天气信息',
      'parameters': {
            'type': 'object',
            'properties': {
                'location': {
                    'type': 'string',
                    'description': '城市名称，例如：杭州，上海，深圳。'
                },
                'unit': {'type': 'string', 'enum': ['celsius', 'fahrenheit']}
            },
        'required': ['location']
      }
    }
]
if __name__ == "__main__":
    result = run_conversation()
    if result:
        print("最终结果:", result)
    else:
        print("对话执行失败")

最终结果：

最终结果: {"role": "assistant", "content": "杭州当前的温度是10摄氏度，天气晴朗，微风。"}

3.执行流程

1. 用户输入：“杭州的天气怎么样”

2. 大模型输出：

   { "function_call": { "name": "get_current_weather", "arguments": "{"location":"杭州"}" } }

3.执行函数：get_current_weather(location="杭州")

4.函数返回：

{
  "location": "杭州",
  "temperature": 10,
  "unit": "摄氏度",
  "forecast": ["晴天", "微风"]
}

5.大模型最终回复：

"杭州当前气温10摄氏度，天气晴，微风"

4.代码分解

4.1. 天气函数 (get_current_weather)

def get_current_weather(location, unit="摄氏度"):
    # 模拟真实天气API（根据城市返回预设温度）
    temperature = -1
    if '杭州' in location: temperature = 10
    if '上海' in location: temperature = 36
    if '深圳' in location: temperature = 37
    return json.dumps({
        "location": location,
        "temperature": temperature,
        "unit": unit,
        "forecast": ["晴天", "微风"]
    })

• 作用：模拟真实天气API，返回结构化天气数据

• 特点：

  • 支持中英文城市名识别（杭州/Hangzhou）

  • 返回JSON格式的标准数据结构

  • 可轻松替换为真实天气API（如高德、OpenWeather）

4.2. 函数注册 (functions)

functions = [{
    'name': 'get_current_weather',
    'description': '获取指定地点，指定温度单位的天气信息',
    'parameters': {
        'type': 'object',
        'properties': {
            'location': {
                'type': 'string',
                'description': '城市名称，例如：杭州，上海，深圳。'
            },
            'unit': {'type': 'string', 'enum': ['celsius', 'fahrenheit']}
        },
        'required': ['location']
    }
}]

• 核心作用：告诉大模型何时调用函数及需要哪些参数

• 关键字段：

  • description：中文描述提升中文场景准确性

  • enum：限制unit参数的可选值（摄氏度/华氏度）

  • required：强制要求location参数

4.3. 对话引擎 (run_conversation)

def run_conversation():
    # 1. 用户输入
    query = "杭州的天气怎样"
    messages = [{"role": "user", "content": query}]
    # 2. 首次模型调用
    response = get_response(messages)
    message = response.output.choices[0].message
    # 3. 检测函数调用
    if hasattr(message, 'function_call'):
        # 解析参数
        arguments = json.loads(message.function_call['arguments'])
        # 4. 执行天气函数
        tool_response = get_current_weather(**arguments)
        # 5. 将结果加入上下文
        messages.append({
            "role": "function", 
            "name": "get_current_weather",
            "content": tool_response
        })
        # 6. 二次模型调用生成最终回复
        final_response = get_response(messages)
        return final_response.output.choices[0].message

• 核心作用：程序入口，用户输入后检测函数调用，并按对应流程执行

5. 完整流程

1. 用户输入自然语言查询

2. 大模型判断需要调用天气函数

3. 解析生成的参数（如{"location": "杭州"}）

4. 执行天气函数获取数据

5. 将原始天气数据返回给大模型

6. 大模型生成友好回复（如"杭州当前气温10摄氏度，晴天"）

以上完整的阐述了此示例整个流程执行的各个节点细节，更好的帮助大家理解！

三、总结

• 1.Function Calling是补充了大模型的短处，进一步挖掘了大模型更深的潜力，扩展了大模型的边界；

• 2.函数是灵魂，函数的构造也至关重要，开发者明确目的，提供完整的、可用的、安全的函数助力大模型高效完成任务；

• 3.安全是首当其冲的重点，参数校验是强制性的，绝不能省略，开发者后端代码必须：

  检查参数是否存在（尤其是 required 的参数）;

  检查参数类型是否正确（传进来的字符串能否转成需要的数字/日期？）;

  检查参数值是否在有效范围内（日期是否合理？ID是否存在？）;

  进行必要的清理和转换（防止SQL注入、命令注入等）。

• 4.错误处理机制也必不可少，函数执行可能失败（网络问题、权限不足、参数校验失败、内部错误等）要能及时反馈。

​