🌤️ 让大模型“感知现实世界”：通过 Function Calling 实现 LLM 与天气 API 的智能交互

无敌的拖拉斯旋风
64 阅读4分钟

关键词：LLM 工具调用（Function Calling）、DeepSeek API、心知天气 API、Python 实战、AI 联网能力

一、背景：为什么 LLM 需要“工具”？

大型语言模型（LLM）如 DeepSeek、GPT 等，虽然知识丰富、表达流畅，但存在两个天然局限：

  1. 知识截止：无法获取训练数据之后的信息；
  2. 无实时感知能力：无法知道“此刻北京的天气”或“当前股票价格”。

为突破这一限制，OpenAI 率先提出 Function Calling（函数调用） 机制——让 LLM 在需要时“主动调用外部工具”，从而与真实世界桥接。这标志着 “智能互联网”时代的开启：LLM 不再是封闭的语言模型，而是能与互联网服务协同的智能代理。

本文将带你用 Python 实现一个完整案例：用户问“北京天气怎么样？”，LLM 自动调用天气 API 获取实时数据，并返回自然语言回答。

二、技术栈概览

组件作用
心知天气 API提供全球城市实时天气数据
DeepSeek API提供支持 Function Calling 的大模型（deepseek-reasoner）
Python + requests实现 API 调用与数据处理
OpenAI 兼容接口使用标准 tools 格式定义函数

💡 注：DeepSeek 的 API 完全兼容 OpenAI 的 Function Calling 协议，因此可直接使用 openai SDK。

三、第一步：封装天气查询工具函数

我们首先实现一个可靠的 get_weather 函数，用于调用心知天气的实时天气接口。

python
编辑
import requests

def get_weather(location: str) -> str:
    """获取指定城市的当前天气（返回自然语言描述）"""
    url = "https://api.seniverse.com/v3/weather/now.json"
    params = {
        "key": "SaVSOt7sYbwpka9iv",  # 替换为你自己的 API Key
        "location": location,
        "language": "zh-Hans"
    }
    try:
        resp = requests.get(url, params=params, timeout=10)
        data = resp.json()
        
        if "results" in data:
            r = data["results"][0]
            city = r["location"]["name"]
            now = r["now"]
            text = now["text"]
            temp = now["temperature"]
            return f"{city}当前天气：{text}, 气温 {temp}度"
        else:
            return "查询失败，请检查城市名称或 API Key"
    except Exception as e:
        return f"异常：{e}"

✅ 关键点：

  • 使用 类型提示（location: str → str）提升代码可读性；
  • 对 API 响应做健壮性判断（检查 "results" 是否存在）；
  • 返回人类可读的字符串，便于 LLM 后续整合。

🔐 安全提醒：请勿在公开代码中硬编码 API Key！建议使用环境变量管理。

四、第二步：定义工具（Tool）Schema

为了让 LLM 知道“我能调用什么工具”，我们需要用 JSON Schema 描述 get_weather 函数：

python
编辑
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "城市名称，如'北京'"
                    }
                },
                "required": ["location"]
            }
        }
    }
]

这个结构告诉 LLM：

  • 有一个叫 get_weather 的工具；
  • 它需要一个必填参数 location（字符串类型）；
  • 它的作用是查天气。

五、第三步：实现完整的 Function Calling 流程

现在，我们将用户提问、LLM 决策、工具调用、结果整合串成完整流程：

python
编辑
from openai import OpenAI
import json

# 初始化 DeepSeek 客户端（兼容 OpenAI 接口）
client = OpenAI(
    api_key='sk-a156e1c7e8e048c6a6b8e25338d3efc6',
    base_url='https://api.deepseek.com/v1'
)

# 用户提问
messages = [{"role": "user", "content": "北京天气怎么样"}]

# 第一次调用：让 LLM 决定是否需要调用工具
response = client.chat.completions.create(
    model='deepseek-reasoner',
    messages=messages,
    tools=tools,
    tool_choice="auto",
    temperature=0.3
)

response_message = response.choices[0].message
messages.append(response_message)

# 如果 LLM 要求调用工具
if response_message.tool_calls:
    for tool_call in response_message.tool_calls:
        function_name = tool_call.function.name
        function_args = json.loads(tool_call.function.arguments)
        
        # 执行本地函数
        if function_name == "get_weather":
            function_response = get_weather(function_args["location"])
        else:
            function_response = "未知工具"
        
        # 将函数结果反馈给 LLM
        messages.append({
            "tool_call_id": tool_call.id,
            "role": "tool",
            "name": function_name,
            "content": function_response,
        })
    
    # 第二次调用：让 LLM 根据工具结果生成最终回答
    final_response = client.chat.completions.create(
        model="deepseek-reasoner",
        messages=messages,
        temperature=0.3
    )
    print(final_response.choices[0].message.content)
else:
    # 无需工具，直接输出
    print(response_message.content)

🔄 执行流程图解：

text
编辑
用户提问 → LLM 分析 → [需查天气？] → 是 → 调用 get_weather("北京")
                                      ↓
                                获取实时数据 → 返回给 LLM
                                      ↓
                      LLM 整合信息 → “北京当前天气：晴，气温 22 度”

六、运行效果示例

当用户输入：

“抚州天气怎么样？”

程序输出：

抚州当前天气：多云, 气温 26度

整个过程对用户透明，仿佛 LLM “天生就知道天气”。

七、总结与展望

通过 Function Calling，我们成功实现了：

  • ✅ LLM 与外部世界的连接
  • ✅ 实时数据驱动的智能问答
  • ✅ 模块化、可扩展的工具设计

未来，你可以轻松扩展更多工具：

  • 查询股票价格（get_stock_price(symbol)）
  • 翻译文本（translate(text, target_lang)）
  • 控制智能家居（turn_on_light(room)）

🌐 真正的智能体（Agent）时代，始于一次函数调用。

八、附录：注意事项

  1. API Key 安全：务必通过 os.getenv("WEATHER_KEY") 管理密钥；
  2. 错误处理：生产环境需增加重试、限流、日志；
  3. 模型选择：deepseek-reasoner 支持复杂推理，普通对话可用 deepseek-chat；
  4. 字段一致性：确保 tools 中的参数名（如 location）与函数定义完全一致。

作者：一位探索 AI 与现实世界连接的开发者
时间：2025 年
适用读者：Python 工程师、AI 应用开发者、LLM 爱好者

avatar
文章
阅读
粉丝