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:
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。- 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。
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。