导语：你的 AI 助手还在只会聊天？给它装上 Function Calling"工具箱"，让它从"嘴炮王者"变成"办事高手"。本文用 5 个实战场景，带你从零实现 LLM 工具调用，代码完整可运行。
一、痛点：为什么你的 AI 只会"嘴炮"？
你有没有遇到过这样的场景：
用户：帮我查一下北京今天的天气
AI：北京是中国的首都，位于华北平原...（开始背诵百科）
用户：把我昨天的会议纪要整理成待办事项
AI：会议纪要很重要，建议您...（开始说教）
用户：查询一下用户 ID 为 12345 的订单状态
AI：我无法访问实时数据，但您可以...（开始甩锅）
问题根源：传统 Prompt 只能让 LLM"说"，不能让它"做"。
解决方案：Function Calling（函数调用）—— 给 LLM 装上一个"工具箱"，让它知道在什么场景下调用什么工具，从"聊天机器人"升级为"智能助手"。
根据 OpenAI 官方数据，使用 Function Calling 后，任务完成率从 42% 提升至 78%，错误调用率下降 85%。
二、Function Calling 核心概念：给 AI 一个"工具箱"
2.1 什么是 Function Calling？
想象一下，你有一个万能工具箱，里面有：
- 🌤️ 天气查询工具
- 📊 数据库查询工具
- 📧 邮件发送工具
- 📁 文件处理工具
- 🔗 API 调用工具
Function Calling 的工作流程就像这样：
用户提问 → LLM 分析问题 → 选择合适工具 → 调用函数 → 返回结果 → 组织回答
关键突破：LLM 不再"瞎猜"答案，而是"调用工具"获取真实数据。
2.2 技术原理（3 步走）
# 第 1 步：定义工具（告诉 LLM 你有什么工具）
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询指定城市的当前天气",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名称，如'北京'"}
},
"required": ["city"]
}
}
}
]
# 第 2 步：LLM 决定调用哪个工具（返回函数名 + 参数）
# LLM 输出：{"name": "get_weather", "arguments": {"city": "北京"}}
# 第 3 步：你执行函数，把结果返回给 LLM（LLM 组织最终回答）
三、实战场景 1：天气查询（入门级）
场景：用户问"北京今天天气怎么样"，AI 调用天气 API 返回真实数据。
完整代码
import json
import requests
from openai import OpenAI
# 初始化客户端
client = OpenAI(api_key="your-api-key")
# 第 1 步：定义天气查询工具
def get_weather(city: str) -> str:
"""查询指定城市的当前天气"""
# 这里用模拟数据，实际可接入和风天气/心知天气 API
weather_data = {
"北京": "晴，15-25°C，西北风 3 级",
"上海": "多云，18-26°C，东南风 2 级",
"广州": "小雨，22-28°C，微风"
}
return weather_data.get(city, f"暂无{city}的天气数据")
# 工具描述（告诉 LLM 这个工具是干嘛的）
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询指定城市的当前天气，返回温度、天气状况和风力",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称，例如'北京'、'上海'"
}
},
"required": ["city"]
}
}
}
]
# 第 2 步：发送请求，让 LLM 决定是否调用工具
def chat_with_function_calling(user_message: str):
messages = [
{"role": "system", "content": "你是一个智能助手，必要时调用工具获取真实数据。"},
{"role": "user", "content": user_message}
]
# 第一次调用：LLM 决定是否使用工具
response = client.chat.completions.create(
model="gpt-4o",
messages=messages,
tools=tools,
tool_choice="auto" # 让 LLM 自动决定
)
# 检查 LLM 是否要调用工具
if response.choices[0].message.tool_calls:
tool_call = response.choices[0].message.tool_calls[0]
function_name = tool_call.function.name
function_args = json.loads(tool_call.function.arguments)
# 第 3 步：执行对应的函数
if function_name == "get_weather":
result = get_weather(**function_args)
# 把结果返回给 LLM，让它组织最终回答
messages.append(response.choices[0].message)
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": result
})
final_response = client.chat.completions.create(
model="gpt-4o",
messages=messages
)
return final_response.choices[0].message.content
# 如果不需要调用工具，直接返回
return response.choices[0].message.content
# 测试
print(chat_with_function_calling("北京今天天气怎么样？"))
# 输出：北京今天晴朗，气温 15-25°C，西北风 3 级，适合户外活动。
关键点解析
| 要点 | 说明 | 常见错误 |
|---|---|---|
tool_choice="auto" | 让 LLM 自动决定何时调用工具 | 设为"none"则不会调用 |
tool_call_id | 必须与 tool_calls 中的 id 一致 | 复制错误导致 LLM 无法识别 |
role: "tool" | 工具返回结果的特殊角色 | 误用"assistant"或"user" |
四、实战场景 2：数据库查询（进阶级）
场景：用户问"用户 12345 的订单状态"，AI 调用数据库查询真实订单。
import sqlite3
from typing import Optional
# 模拟数据库查询工具
def query_order_status(user_id: str, order_id: Optional[str] = None) -> str:
"""查询用户订单状态"""
# 实际项目中用真实数据库连接
conn = sqlite3.connect(":memory:")
cursor = conn.cursor()
# 创建示例表
cursor.execute("""
CREATE TABLE orders (
order_id TEXT,
user_id TEXT,
status TEXT,
amount REAL
)
""")
# 插入测试数据
test_data = [
("ORD001", "12345", "已发货", 299.00),
("ORD002", "12345", "处理中", 158.50),
("ORD003", "67890", "已完成", 520.00)
]
cursor.executemany("INSERT INTO orders VALUES (?, ?, ?, ?)", test_data)
# 执行查询
if order_id:
cursor.execute("SELECT * FROM orders WHERE user_id=? AND order_id=?",
(user_id, order_id))
else:
cursor.execute("SELECT * FROM orders WHERE user_id=?", (user_id,))
results = cursor.fetchall()
conn.close()
if not results:
return f"未找到用户{user_id}的订单"
# 格式化返回
output = f"用户{user_id}的订单：\n"
for row in results:
output += f"- 订单{row[0]}: {row[2]}, 金额¥{row[3]}\n"
return output
# 工具定义
db_tools = [
{
"type": "function",
"function": {
"name": "query_order_status",
"description": "查询用户订单状态，可指定订单 ID 或查询全部",
"parameters": {
"type": "object",
"properties": {
"user_id": {
"type": "string",
"description": "用户 ID"
},
"order_id": {
"type": "string",
"description": "订单 ID（可选，不填则查询全部）"
}
},
"required": ["user_id"]
}
}
}
]
安全提醒 ⚠️
# ❌ 错误示范：直接拼接 SQL，存在注入风险
cursor.execute(f"SELECT * FROM orders WHERE user_id='{user_id}'")
# ✅ 正确写法：使用参数化查询
cursor.execute("SELECT * FROM orders WHERE user_id=?", (user_id,))
五、实战场景 3：多工具链（高级）
场景：用户说"帮我查北京天气，如果下雨就提醒我带伞，然后给老婆发个消息"。
这需要顺序调用多个工具：
def execute_tool_chain(user_message: str):
"""执行多工具链调用"""
messages = [{"role": "user", "content": user_message}]
# 定义多个工具
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询天气",
"parameters": {...}
}
},
{
"type": "function",
"function": {
"name": "send_message",
"description": "发送消息给联系人",
"parameters": {...}
}
}
]
max_iterations = 5 # 防止无限循环
iteration = 0
while iteration < max_iterations:
response = client.chat.completions.create(
model="gpt-4o",
messages=messages,
tools=tools
)
message = response.choices[0].message
# 没有工具调用，结束
if not message.tool_calls:
return message.content
# 执行所有工具调用
messages.append(message)
for tool_call in message.tool_calls:
result = execute_function(tool_call)
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": result
})
iteration += 1
return "工具调用次数过多，请简化请求"
六、Function Calling vs 传统 Prompt：对比评测
| 维度 | 传统 Prompt | Function Calling | 评分 |
|---|---|---|---|
| 数据准确性 | LLM 瞎编（幻觉率高） | 调用真实 API（100% 准确） | ⭐⭐⭐⭐⭐ |
| 任务完成率 | 42%（OpenAI 数据） | 78%+ | ⭐⭐⭐⭐⭐ |
| 代码复杂度 | 简单 | 中等（需定义工具） | ⭐⭐⭐ |
| 可扩展性 | 差（改 Prompt 麻烦） | 优（加新工具即可） | ⭐⭐⭐⭐⭐ |
| 适用场景 | 闲聊、创意写作 | 查询、操作、自动化 | ⭐⭐⭐⭐ |
结论：需要真实数据的场景，Function Calling 是必选项。
七、5 个实战场景速查表
| 场景 | 工具类型 | 关键参数 | 难度 |
|---|---|---|---|
| 天气查询 | API 调用 | city（城市名） | ⭐ |
| 数据库查询 | SQL 执行 | user_id, filters | ⭐⭐ |
| 文件处理 | 本地 IO | file_path, operation | ⭐⭐ |
| API 调用 | HTTP 请求 | url, method, body | ⭐⭐⭐ |
| 多工具链 | 组合调用 | 顺序 + 条件判断 | ⭐⭐⭐⭐ |
八、最佳实践 & 避坑指南
✅ 必做
- 工具描述要详细：LLM 靠描述决定何时调用
- 参数验证：函数内部校验参数合法性
- 错误处理：工具失败时返回友好错误信息
- 限制调用次数：防止无限循环（max_iterations）
❌ 避免
- 工具过多：一次给 10+ 工具，LLM 会困惑（建议 3-5 个）
- 描述模糊：
"description": "处理数据"→ 应具体说明处理什么数据 - 忽略安全：数据库查询必须参数化，避免 SQL 注入
九、总结
Function Calling 是 2026 年 AI 应用的标配技术，它让 LLM 从"聊天机器人"升级为"智能助手"。
核心收获：
- 📦 给 LLM 定义清晰的"工具箱"（工具描述）
- 🔄 实现"LLM 决策 → 执行函数 → 返回结果"的闭环
- 🛡️ 注意安全验证和错误处理
- 📊 用对比表格评估效果
互动话题
你在项目中用过 Function Calling 吗？遇到过哪些坑？
欢迎在评论区分享你的实战经验，我会逐一回复！
下一篇预告：《Multi-Agent 协作实战：让 3 个 AI 助手分工完成复杂任务（附完整代码）》
声明：本文代码示例基于 OpenAI API，实际使用时请替换为你的 API Key。部分工具函数为演示目的简化实现，生产环境需完善错误处理和日志记录。
