Function Calling 实战:把营销策略变成可执行计划

4 阅读7分钟

Function Calling 实战:把营销策略变成可执行计划

一、为什么要做这件事

我们做 AI 营销工具时遇到一个很具体的问题:模型能写出像模像样的营销方案,但方案落到执行就断了。比如它写"本周重点投搜索、预算向高意向人群倾斜",这句话人看得懂,程序看不懂——没有可执行的参数,也没法校验。

后来我们把这件事拆成一条工具链:模型负责决策,工具负责执行,代码负责校验。核心手段就是 Function Calling(工具调用)。这篇文章把整条链路和可复现代码写清楚,跑起来只需要一个模型 API Key。

先说结论:Function Calling 不只是"让模型调接口",它真正的价值是给模型的输出加了一道结构化闸门——参数不合规,工具直接拒绝执行,模型拿到错误信息后自己修正。

二、整体设计

链路一共四段:

flowchart LR
    U[用户:产品资料 + 预算] --> P[规划器 Planner<br/>模型 + 工具定义]
    P -->|tool_call| T1[create_campaign]
    P -->|tool_call| T2[allocate_budget]
    P -->|tool_call| T3[query_stats]
    T1 --> V[校验器 Validator<br/>Schema + 业务规则]
    T2 --> V
    T3 --> V
    V -->|不通过| P
    V -->|通过| E[执行器 Executor<br/>幂等落库]
    E --> R[结果汇总回填模型]

关键设计取舍有三个:

取舍点我们的选择原因
工具粒度粗粒度(一个工具做一件业务事)细粒度工具会让模型调用次数爆炸,成本高且易错
校验位置校验放在代码里,不放提示词里提示词约束是软的,模型会忘;代码校验是硬的
错误处理把校验错误原文回传给模型让它重试比人工兜底便宜,且收敛快(通常 1-2 轮就改对)

三、工具定义与实现

3.1 工具 Schema

用 JSON Schema 定义工具,参数尽量少但每个都要能校验:

TOOLS = [
    {
        "type": "function",
        "function": {
            "name": "create_campaign",
            "description": "创建一个投放计划。channel 必须是允许的渠道枚举,"
                           "daily_budget 单位为元且不低于 30。",
            "parameters": {
                "type": "object",
                "properties": {
                    "channel": {"type": "string",
                                "enum": ["search", "feed", "content", "video"]},
                    "name": {"type": "string", "minLength": 4, "maxLength": 40},
                    "daily_budget": {"type": "number", "minimum": 30},
                    "target_cpa": {"type": "number", "minimum": 10},
                    "audience": {
                        "type": "object",
                        "properties": {
                            "region": {"type": "array", "items": {"type": "string"}},
                            "active_days": {"type": "integer", "minimum": 1, "maximum": 180},
                            "interests": {"type": "array", "items": {"type": "string"}}
                        },
                        "required": ["region", "active_days"]
                    }
                },
                "required": ["channel", "name", "daily_budget", "target_cpa", "audience"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "query_stats",
            "description": "查询指定计划最近 N 天的消耗与转化,用于后续调整。",
            "parameters": {
                "type": "object",
                "properties": {
                    "campaign_id": {"type": "string"},
                    "days": {"type": "integer", "minimum": 1, "maximum": 30}
                },
                "required": ["campaign_id", "days"]
            }
        }
    }
]

3.2 校验器:把业务规则写成代码

模型给出的参数即使通过了 JSON Schema,也可能违反业务规则(比如预算总和超额、渠道重复)。所以再加一层:

ALLOWED_CHANNELS = {"search", "feed", "content", "video"}

def validate_create(args: dict, ctx: dict) -> tuple[bool, str]:
    """返回 (是否通过, 错误原因)。错误原因会原样回传给模型。"""
    if args["channel"] not in ALLOWED_CHANNELS:
        return False, f"channel '{args['channel']}' 不在允许范围 {sorted(ALLOWED_CHANNELS)}"

    if args["daily_budget"] < 30:
        return False, "daily_budget 不能低于 30 元,平台侧计划过小无法起量"

    if args["target_cpa"] > args["daily_budget"] * 0.8:
        return False, ("target_cpa 相对日预算过高,按当前出价一天最多拿到 "
                       f"{args['daily_budget'] / args['target_cpa']:.1f} 个转化,样本不足")

    if args["channel"] in ctx["existing_channels"]:
        return False, (f"渠道 {args['channel']} 已有计划,请改用 update_campaign "
                       "或换渠道,避免重复创建")

    total = ctx["planned_budget"] + args["daily_budget"] * ctx["period_days"]
    if total > ctx["total_budget"] * 1.05:
        return False, (f"预算超限:本次分配后总额 {total:.0f} 元,"
                       f"超过总预算 {ctx['total_budget']:.0f} 元的 5% 容差")

    return True, ""

这条 target_cpa 的检查很实用。模型经常给出"日预算 50 元、目标成本 60 元"这种组合——数学上没错,实际跑一天连一个转化都拿不到,学习期永远过不去。把这类"业务常识"写进校验器,比写在提示词里可靠得多。

3.3 主循环:模型调用 → 校验 → 执行 → 回传

import json, uuid

def run_agent(client, user_msg: str, ctx: dict, max_turns: int = 6):
    messages = [
        {"role": "system", "content":
         "你是投放规划助手。只通过工具创建计划;参数不确定时先用 query_stats 查数据。"
         "工具返回错误时按错误信息修正后重试,不要重复相同参数。"},
        {"role": "user", "content": user_msg},
    ]
    created = []

    for turn in range(max_turns):
        resp = client.chat.completions.create(
            model="gpt-4o-mini", messages=messages, tools=TOOLS, tool_choice="auto")
        msg = resp.choices[0].message
        messages.append(msg.model_dump(exclude_none=True))

        if not msg.tool_calls:
            return {"final": msg.content, "created": created}

        for call in msg.tool_calls:
            name = call.function.name
            try:
                args = json.loads(call.function.arguments)
            except json.JSONDecodeError as e:
                result = f"参数不是合法 JSON:{e}"
            else:
                if name == "create_campaign":
                    ok, err = validate_create(args, ctx)
                    if not ok:
                        result = err                      # 错误回传,让模型改
                    else:
                        campaign_id = "cmp_" + uuid.uuid4().hex[:8]
                        created.append({"id": campaign_id, **args})
                        ctx["planned_budget"] += args["daily_budget"] * ctx["period_days"]
                        ctx["existing_channels"].add(args["channel"])
                        result = json.dumps({"campaign_id": campaign_id, "status": "created"},
                                            ensure_ascii=False)
                elif name == "query_stats":
                    result = json.dumps({"campaign_id": args["campaign_id"],
                                         "days": args["days"], "cost": 0, "conv": 0},
                                        ensure_ascii=False)
                else:
                    result = f"未知工具 {name}"

            messages.append({"role": "tool", "tool_call_id": call.id, "content": result})

    return {"final": "达到最大轮次仍未收敛", "created": created}

这段代码里有三个细节值得注意:

  1. exclude_none=True。不同模型 SDK 对 assistant 消息里空字段的处理不一致,带上 None 字段有时会导致下一轮请求报错。
  2. 错误回传给模型而不是抛异常。这是让 Agent 自我修正的关键;抛异常会让整条链路中断。
  3. max_turns 必须设上限。我们实测过,模型偶发会陷入"改参数—又被拒—再改"的循环,卡在同一个约束上反复试。给个 6 轮上限,超了就交给人。

3.4 幂等:重试不能造出重复计划

工具调用会重试(网络、超时、模型重发),所以执行侧必须幂等:

def idempotent_create(store, fingerprint: str, payload: dict, create_fn):
    existing = store.get(fingerprint)
    if existing:
        return existing
    res = create_fn(payload)
    store.put(fingerprint, res, ttl=86400)
    return res

def fingerprint_of(args: dict, strategy_id: str) -> str:
    import hashlib
    key = f"{strategy_id}|{args['channel']}|{args['name']}"
    return hashlib.sha256(key.encode()).hexdigest()[:16]

幂等键选"策略 ID + 渠道 + 计划名",不用时间戳:模型重试时这几个值通常一致,而时间戳每次都不一样。

四、跑起来:最小可运行示例

ctx = {
    "total_budget": 30000,
    "period_days": 30,
    "planned_budget": 0,
    "existing_channels": set(),
}

out = run_agent(
    client,
    "产品是面向中小企业的 AI 营销工具,总预算 3 万,投放 30 天。"
    "请规划搜索与内容两个渠道的计划,出价参考有效线索成本。",
    ctx,
)
print(json.dumps(out, ensure_ascii=False, indent=2))

跑通后能观察到两个现象:

  • 模型第一次给的 target_cpa 往往偏乐观,被校验器打回后会自动调高到合理区间;
  • 第二个渠道会因为"预算超限"被拒,模型随后下调日预算。整个过程不需要人介入。

五、踩坑记录

坑一:工具描述写得太抽象。 我们一开始把 create_campaign 描述成"创建营销计划",模型经常漏传 audience。改成明确写出"channel 必须是允许的渠道枚举,daily_budget 单位为元且不低于 30"之后,漏参率明显下降。工具 description 就是给模型看的文档,要写成可执行的约束,不是功能简介。

坑二:把校验写在提示词里。 早期我们在 system prompt 里写了七八条规则,模型遵守程度时好时坏。移到代码里之后,规则一次都没被绕过——因为绕不过去。

坑三:工具太多反而变差。 我们曾经定义了十几个细粒度工具(创建计划、设预算、设出价、设人群各自一个),结果模型要调六七次才能建完一个计划,中途出错概率成倍上升。收敛到 3 个粗粒度工具后,成功率明显提升。

坑四:没有观测就没有优化。 加上"每次工具调用记录参数、校验结论、耗时"之后,才看清失败集中在哪类参数上——大部分是预算与出价的组合不合理,而不是模型不懂业务。

六、小结

Function Calling 用在营销这类"有明确业务约束"的场景,效果比纯文本生成稳得多。要点其实就三条:工具定义写成约束、校验逻辑放进代码、错误原文回传让模型自己改。

这三条做好之后,模型的角色从"写方案的人"变成"在约束内做决策的人",这是能不能真正落地的分界线。


相关资源

  • 产品文档与功能说明:迈客推 Marketing(营销专家大模型驱动的智能营销设计与自动化投放平台)
  • 免费体验 / Demo 预约:www.seaoh.com/?utm_source…
  • 文中代码为可复现示例,工具参数与平台字段需按实际投放平台文档调整

说明:本文代码与结论来自我们团队的工程实践,示例中的数值区间为经验参考值,实际需按账户与行业调整。