Function calling实践

Function calling案例

bash 复制代码

from openai import OpenAI
import json

# ========================
# 配置部分
# ========================
API_KEY = "sk-......"
API_BASE =  "https://api.deepseek.com/v1"
# 初始化 v2 Client
client = OpenAI(api_key=API_KEY, base_url=API_BASE)

# 1. 定义工具 (使用最新的 tools 格式)
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名"},
                    "unit": {"type": "string", "enum": ["celsius", "fahrenheit"], "description": "温度单位"}
                },
                "required": ["city"]
            }
        }
    }
]

# 2. 构建初始对话
messages = [
    {"role": "system", "content": "你是一个智能助手。请调用天气工具回答问题。"},
    {"role": "user", "content": "请告诉我北京的天气"}
]

try:
    # 第一次调用：模型判断是否需要调用工具
    response = client.chat.completions.create(
        model="deepseek-chat", # 注意：R1 (reasoner) 目前不支持 tools
        messages=messages,
        tools=tools,
        tool_choice="auto"
    )

    message = response.choices[0].message
    
    # 检查是否有工具调用请求
    if message.tool_calls:
        # 必须：先将模型的 tool_calls 消息加入对话历史
        messages.append(message)
        
        for tool_call in message.tool_calls:
            func_name = tool_call.function.name
            func_args = json.loads(tool_call.function.arguments)
            
            # 模拟本地函数执行
            if func_name == "get_weather":
                city = func_args.get("city")
                result = f"{city} 的天气是 25°C，晴天。" # 实际应对接天气API
                
                print(f"本地执行函数: {func_name} | 参数: {func_args}")
                
                # 必须：将函数结果回传，角色为 'tool'，并带上 tool_call_id
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": result
                })

        # 第二次调用：模型根据函数结果生成自然语言回答
        final_response = client.chat.completions.create(
            model="deepseek-chat",
            messages=messages
        )
        print("-" * 30)
        print("最终回答:", final_response.choices[0].message.content)
        
    else:
        print("模型没有发起工具调用，回复内容为:", message.content)

except Exception as e:
    print("发生错误:", e)

思考：

Function calling要解决的问题：
- 模型无法与外部数据源交互
- 模型没有执行的能力，不能帮助用户执行实际任务，比如运行程序，发邮件，上传文件等。
Function calling=后端+LLM。
- 后端调用本地封装的方法。用户的提问不是直接给大模型的。
- 后端能够执行任务，但是不够"聪明"。大模型虽然"聪明"，但是没有执行能力。
Function calling会不会超出token的限制？
- Function Calling 的输入（messages + 函数 schema + 历史上下文）都算 token。
- 如果函数 schema 很复杂，或者多轮历史消息很多，可能超出模型的上下文上限。
模型覆盖有限，开发生态不统一
- 并不是所有模型都原生支持 Function Calling（如 DeepSeek R1 系列就不支持）。
- 不同模型对 schema、参数类型、返回格式的支持不统一。

参考资料：
一期视频带你彻底了解：Function calling与MCP详解，它们有什么区别？