【前端学习AI】Function Calling

核心定义

Function Calling（函数调用）是大模型与外部工具/函数交互的核心能力，能够让模型根据用户需求自主判断是否需要调用指定函数，通过结构化参数传递调用指令并获取执行结果，最终结合结果生成精准响应，以此解决大模型自身无法完成的复杂计算、实时数据查询等任务。

两种工具添加方案

方案一：直接通过 Tool.from_function 定义工具

该方案适用于函数逻辑简单的场景，可直接通过字典指定参数规范，无需额外定义专门的参数模型，实现快速封装。

步骤1：基础依赖与初始化

python 复制代码

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import Tool
from pydantic import BaseModel, Field

# 大模型初始化
llm = ChatOpenAI(
    # 模型名称
    model_name="qwen-plus",
    # 模型基础地址
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    # 填写个人 API Key
    api_key="",
)

# 提示模板定义
chat_prompt_template = ChatPromptTemplate.from_messages(
    [
        # 系统角色定义
        ("system", "你是一个{role}专家，可以帮助用户解决问题"),
        # 用户输入占位符
        ("human", "{input}"),
    ]
)

步骤2：封装为工具

通过 Tool.from_function 方法将自定义函数封装为工具，需明确指定工具名称、功能描述及参数校验模型：

ini 复制代码

# 定义参数模型
class SunArgs(BaseModel):
    # 整数类型参数1
    num1: int = Field(description="第一个数")
    # 整数类型参数2
    num2: int = Field(description="第二个数")
    
# 定义求和函数
def sum(a, b):
    return a + b

sum_tool = Tool.from_function(
    # 关联核心函数
    func=sum,
    # 工具名称（模型调用时识别的名称）
    name="sum",
    # 工具功能描述（帮助模型判断是否调用）
    description="计算两个数的和",
    # 参数规范，指定参数类型与描述
    args_schema=SunArgs,
)

步骤3：绑定工具并执行调用

ini 复制代码

# 为大模型绑定工具（可绑定多个，传入列表）
llm = llm.bind_tools([sum_tool])

# 组合提示模板与大模型，形成调用链
llm = chat_prompt_template | llm

# 调用模型，传入角色与用户需求
response = llm.invoke(input={"role": "数学", "input": "计算10和20的和"})

# 解析工具调用结果并执行函数
tool_calls = response.tool_calls
for tool_call in tool_calls:
    # 匹配工具名称
    if tool_call["name"] == "sum":
        # 获取模型传递的参数
        args = tool_call["args"]
        # 执行函数
        result = sum(**args)
        # 输出结果：30
        print(result)

方案二：通过 @tool 装饰器定义工具（推荐）

步骤1：基础依赖与初始化

python 复制代码

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import Tool
from pydantic import BaseModel, Field

# 大模型初始化
llm = ChatOpenAI(
    # 模型名称
    model_name="qwen-plus",
    # 模型基础地址
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    # 填写个人 API Key
    api_key="",
)

# 提示模板定义
chat_prompt_template = ChatPromptTemplate.from_messages(
    [
        # 系统角色定义
        ("system", "你是一个{role}专家，可以帮助用户解决问题"),
        # 用户输入占位符
        ("human", "{input}"),
    ]
)

步骤2：用装饰器定义工具函数

通过 @tool 装饰器可直接将自定义函数封装为工具，无需额外调用 Tool.from_function 方法，只需关联对应的参数模型即可完成配置：

ini 复制代码

# 定义参数模型
class SunArgs(BaseModel):
    # 整数类型参数1
    num1: int = Field(description="第一个数")
    # 整数类型参数2
    num2: int = Field(description="第二个数")

@tool(
    # 工具功能描述
    description="计算两个数的和",
    # 关联参数模型
    args_schema=SunArgs,
)
def sum(num1, num2):
    return num1 + num2

步骤3：绑定工具并执行调用

ini 复制代码

# 绑定工具（直接传入函数，无需额外封装）
llm = llm.bind_tools([sum])

# 组合提示模板与大模型
llm = chat_prompt_template | llm

# 调用模型
response = llm.invoke(input={"role": "数学", "input": "计算10和20的和"})

# 解析并执行工具调用
for tool_call in response.tool_calls:
    if tool_call["name"] == "sum":
        args = tool_call["args"]
        # 通过 invoke 方法执行函数
        result = sum.invoke(args)
        # 输出结果：30
        print(result)

核心关键要点

工具调用位置：工具函数必须部署在服务端执行，大模型仅负责输出工具调用指令，不具备直接执行工具函数的能力，需由后端服务解析指令后触发函数运行。
工具描述精准性 ：工具的 description 字段需简洁且精准（例如"计算两个整数的和"），清晰告知模型工具的核心功能，其表述质量直接决定模型能否准确识别需求并触发正确调用。
参数定义规范性 ：两种方案均需明确参数的类型与功能描述；推荐使用 Pydantic 的 BaseModel 定义参数模型，该方式可实现参数自动校验，能显著降低模型调用时的参数错误率。
调用结果解析 ：需通过 response.tool_calls 获取模型返回的工具调用指令，遍历解析出工具名称与输入参数后，执行对应的工具函数，最终获取执行结果并用于后续响应生成。