Ollama工具调用（Tool Calls）业务应用案例

场景：电商客服自动处理退货请求

业务需求：用户通过聊天界面申请退货，模型需调用外部工具验证订单状态、触发退货流程，并返回处理结果。

1. 定义工具列表

在请求中声明模型可调用的工具（函数）及其参数格式（JSON Schema）：

python 复制代码

tools = [
    {
        "type": "function",
        "function": {
            "name": "check_order_status",  # 工具名称
            "description": "根据订单号查询订单状态，判断是否符合退货条件",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {"type": "string", "description": "用户提供的订单号"}
                },
                "required": ["order_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "initiate_refund",  # 工具名称
            "description": "触发退货流程，通知物流和财务系统",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {"type": "string"},
                    "reason": {"type": "string", "description": "用户填写的退货原因"}
                },
                "required": ["order_id", "reason"]
            }
        }
    }
]

2. 用户发起对话请求

用户输入退货申请：

python 复制代码

messages = [
    {"role": "user", "content": "我要退货，订单号是ORD123456。退货原因是商品尺寸不符。"}
]

向模型发送请求（启用工具调用）：

python 复制代码

import requests

response = requests.post(
    "http://localhost:11434/api/chat",
    json={
        "model": "llama3:8b-instruct",
        "messages": messages,
        "tools": tools,  # 传递工具定义
        "tool_choice": "auto"  # 由模型决定是否调用工具
    }
)
result = response.json()

3. 解析模型的工具调用请求

模型分析用户输入后，返回需调用的工具及参数：

json 复制代码

{
  "message": {
    "role": "assistant",
    "content": null,
    "tool_calls": [
      {
        "id": "call_001",
        "type": "function",
        "function": {
          "name": "check_order_status",  // 要求调用订单状态查询工具
          "arguments": "{\"order_id\": \"ORD123456\"}"
        }
      }
    ]
  }
}

4. 执行工具函数并返回结果

客户端根据工具名称执行对应的业务逻辑：

python 复制代码

# 模拟订单状态查询（实际可能调用数据库或内部API）
def check_order_status(order_id):
    # 假设订单状态有效且可退货
    return {
        "status": "success",
        "data": {
            "order_id": order_id,
            "is_refundable": True,
            "product": "男士运动鞋",
            "purchase_date": "2024-05-01"
        }
    }

# 获取工具调用参数
tool_call = result["message"]["tool_calls"][0]
args = json.loads(tool_call["function"]["arguments"])

# 执行工具
tool_response = check_order_status(args["order_id"])

# 将结果附加到对话历史
messages.append({
    "role": "tool", 
    "content": json.dumps(tool_response),
    "tool_call_id": tool_call["id"]  # 关联工具调用ID
})

5. 模型生成最终回复

继续请求模型，传递工具执行结果：

python 复制代码

response = requests.post(
    "http://localhost:11434/api/chat",
    json={
        "model": "llama3:8b-instruct",
        "messages": messages
    }
)

final_reply = response.json()["message"]["content"]
print(final_reply)

模型返回：

复制代码

订单ORD123456（男士运动鞋，购买日期2024-05-01）符合退货条件。已为您启动退货流程，请将商品寄回至仓库地址。物流单号将通过短信发送。

其他业务场景示例

场景1：天气查询助手

工具定义：调用天气API获取实时数据。
用户输入："上海今天会下雨吗？"
模型行为 ：调用 get_weather 工具，参数 {"location": "上海"}。
工具响应：返回温度、降水概率。
最终回复："上海今日多云转小雨，气温22-28°C，降水概率60%。"

场景2：数据分析报告生成

工具定义 ：调用 generate_chart 工具，根据数据生成图表。
用户输入："帮我用柱状图展示2023年季度销售额。"
模型行为 ：调用工具，参数 {"data_type": "sales", "chart_type": "bar"}。
工具响应：返回图表URL或Base64图片。
最终回复：Markdown格式嵌入图表，并总结趋势。

场景3：智能家居控制

工具定义 ：调用 control_device 工具，操作IoT设备。
用户输入："把客厅的灯调暗一点。"
模型行为 ：调用工具，参数 {"device": "客厅灯", "action": "set_brightness", "value": 50}。
工具响应：返回操作状态。
最终回复："已将客厅灯亮度调整为50%。"

关键优势

自动化业务流程：将模型与内部系统（订单、库存、CRM）无缝连接。
动态决策能力：模型根据对话上下文自主选择调用工具。
减少幻觉：依赖真实数据生成回答，提升准确性。
多模态扩展：结合图像生成、语音合成等工具。

注意事项

权限控制：限制工具调用的范围，避免未授权操作。
错误处理：捕获工具执行异常，返回友好提示（如"暂时无法查询订单，请稍后再试"）。
输入验证：检查工具参数合法性，防止注入攻击。
上下文管理 ：确保 tool_call_id 与对话历史关联，避免混淆。

通过工具调用，Ollama 可深度融入企业工作流，实现从"对话"到"行动"的智能化升级。