# AI 终于能"干活"了——Function Calling 完全指南

写给想让 AI 真正帮你做事的开发者，不讲废话，直接上干货

先说一个让人抓狂的场景

你有没有遇到过这种情况：

问 AI："帮我查一下北京今天的天气。"

AI 一本正经地回答你："北京今天天气晴，气温大约在 15-22 度之间......"

然后你一看，完全是编的。因为它根本没有联网，它只是在用训练数据里的"印象"给你瞎猜。

或者你问它："帮我查一下我们数据库里，上个月销售额最高的产品是哪个？"

它说："我没有访问您数据库的权限，无法回答这个问题。"

这就是大模型的另一个"硬伤"：它只会说话，不会干活。

Function Calling 就是给大模型装上了"手"。

Function Calling 到底是什么？

你告诉 AI 有哪些工具可以用，AI 自己决定什么时候用哪个工具，然后告诉你怎么调用，你去执行，把结果再喂给 AI，AI 给你最终答案。

用一个比喻：

想象你有一个超级聪明的老板（AI），但他不会用电脑。你是他的助理（你的代码）。

老板说："去查一下今天北京的天气。"

你去查了，把结果告诉他："北京今天晴，22 度。"

老板说："好，那告诉客户，今天适合户外活动。"

整个过程：老板负责思考和决策，你负责执行具体操作。

工作流程

scss 复制代码

① 定义函数（工具）
        ↓
② 用户提问 + 函数定义 → 发给 AI
        ↓
③ AI 判断：要不要调用函数？调用哪个？传什么参数？
        ↓
④ AI 返回：getWeather({"city": "北京"})
        ↓
⑤ 代码执行 getWeather("北京")
        ↓
⑥ 结果返回给 AI
        ↓
⑦ AI 生成最终回答

完整代码示例（JavaScript）

第一步：定义你的函数

javascript 复制代码

// 这是你真正要执行的函数
function getWeather(city) {
  // 实际项目里这里调用真实天气 API
  const weatherData = {
    '北京': { temperature: 22, condition: '晴', humidity: 40 },
    '上海': { temperature: 25, condition: '多云', humidity: 65 },
    '广州': { temperature: 30, condition: '阵雨', humidity: 80 },
  };
  return weatherData[city] || { error: '城市不存在' };
}

function getStockPrice(symbol) {
  const prices = {
    'AAPL': { price: 175.5, change: '+1.2%' },
    'TSLA': { price: 245.0, change: '-0.8%' },
  };
  return prices[symbol] || { error: '股票代码不存在' };
}

第二步：告诉 AI 有哪些工具可以用

matlab 复制代码

const tools = [
  {
    type: 'function',
    function: {
      name: 'getWeather',
      description: '获取指定城市的实时天气信息',
      parameters: {
        type: 'object',
        properties: {
          city: {
            type: 'string',
            description: '城市名称，例如：北京、上海、广州',
          },
        },
        required: ['city'],
      },
    },
  },
  {
    type: 'function',
    function: {
      name: 'getStockPrice',
      description: '获取指定股票的实时价格',
      parameters: {
        type: 'object',
        properties: {
          symbol: {
            type: 'string',
            description: '股票代码，例如：AAPL、TSLA',
          },
        },
        required: ['symbol'],
      },
    },
  },
];

第三步：处理 AI 的决策

javascript 复制代码

import OpenAI from 'openai';

const client = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
});

async function chatWithTools(userMessage) {
  const messages = [{ role: 'user', content: userMessage }];

  // 第一次请求：让 AI 决定要不要调用函数
  const response = await client.chat.completions.create({
    model: 'gpt-4o',
    messages: messages,
    tools: tools,
    tool_choice: 'auto',
  });

  const message = response.choices[0].message;

  // 如果 AI 决定要调用函数
  if (message.tool_calls) {
    console.log(`AI 决定调用函数：${message.tool_calls[0].function.name}`);

    messages.push(message);

    // 执行 AI 要求的函数
    for (const toolCall of message.tool_calls) {
      const funcName = toolCall.function.name;
      const funcArgs = JSON.parse(toolCall.function.arguments);

      let result;
      if (funcName === 'getWeather') {
        result = getWeather(funcArgs.city);
      } else if (funcName === 'getStockPrice') {
        result = getStockPrice(funcArgs.symbol);
      }

      console.log(`函数执行结果：${JSON.stringify(result)}`);

      messages.push({
        role: 'tool',
        tool_call_id: toolCall.id,
        content: JSON.stringify(result),
      });
    }

    // 第二次请求：让 AI 基于函数结果生成最终回答
    const finalResponse = await client.chat.completions.create({
      model: 'gpt-4o',
      messages: messages,
    });

    return finalResponse.choices[0].message.content;
  }

  return message.content;
}

// 测试
async function main() {
  console.log(await chatWithTools('北京今天天气怎么样？'));
  console.log(await chatWithTools('苹果公司股票现在多少钱？'));
  console.log(await chatWithTools('你好，今天几号？'));
}

main();

运行结果：

erlang 复制代码

AI 决定调用函数：getWeather
函数执行结果：{"temperature":22,"condition":"晴","humidity":40}
北京今天天气晴，气温 22 度，湿度 40%，是个不错的好天气！

AI 决定调用函数：getStockPrice
函数执行结果：{"price":175.5,"change":"+1.2%"}
苹果公司（AAPL）股票目前报价 175.5 美元，今日上涨 1.2%。

今天是 2025 年 X 月 X 日。（直接回答，不调用函数）

多函数并行调用

AI 可以同时决定调用多个函数，并行执行，效率翻倍。

ini 复制代码

// 并行执行所有函数调用
const results = await Promise.all(
  message.tool_calls.map(async (toolCall) => {
    const funcName = toolCall.function.name;
    const funcArgs = JSON.parse(toolCall.function.arguments);

    if (funcName === 'getWeather') return getWeather(funcArgs.city);
    if (funcName === 'getStockPrice') return getStockPrice(funcArgs.symbol);
  })
);

能做什么？

🔍 数据查询类

查数据库（订单、库存、销售数据）
查实时信息（天气、股价、汇率）
搜索内部知识库

🛠️ 操作执行类

发送邮件、短信
创建日历事件
操作文件
调用第三方 API

🤖 Agent 自动化类

自动化工作流
代码执行
浏览器操作

四个容易踩的坑

坑 1：函数描述写得太烂

❌ 烂描述：

json 复制代码

{ "name": "query", "description": "查询数据" }

✅ 好描述：

json 复制代码

{
  "name": "queryOrderStatus",
  "description": "根据订单号查询订单状态，包括支付、发货、物流等。当用户询问订单进度时使用。",
  "parameters": {
    "properties": {
      "order_id": {
        "type": "string",
        "description": "订单号，例如：ORD202501010001"
      }
    },
    "required": ["order_id"]
  }
}

原则：函数描述是给 AI 看的说明书，越详细越好。

坑 2：没处理 AI 不调用函数的情况

代码要同时处理两种情况：tool_calls 存在和不存在。

坑 3：函数执行出错没处理

vbnet 复制代码

try {
  return getWeather(city);
} catch (error) {
  return { error: error.message, message: '获取天气失败，请稍后重试' };
}

坑 4：tool_choice 设置不当

"auto" --- AI 自己决定（推荐）
"required" --- 强制调用（别乱用）
强制指定某个函数 --- 按需使用

Function Calling vs RAG

对比项	Function Calling	RAG
解决的问题	执行操作、获取实时数据	基于知识库回答问题
数据来源	实时调用外部系统	预先建好的向量库
适合场景	查天气、操作数据库、发邮件	文档问答、企业知识库
实时性	强，每次最新	弱，需定期更新

两者经常结合使用：

RAG → 回答产品知识问题
Function Calling → 查询订单、处理退款

进阶：构建 Agent

Function Calling 的终极形态------自主完成复杂任务的 Agent。

你说："帮我分析上个月销售数据，找出最佳产品，然后给销售团队发邮件。"

Agent 会这样工作：

scss 复制代码

1. querySalesData(month="2025-02") → 获取数据
2. analyzeData(data) → 分析最佳产品
3. getTeamEmails(team="sales") → 获取邮箱
4. sendEmail(to, subject, body) → 发送邮件
5. 返回完成结果

整个过程 AI 自主决策，你只需定义好工具。

主流框架

LangChain.js --- @tool 装饰器
LlamaIndex --- 专注数据操作
AutoGen --- 微软出品，多 Agent 协作
CrewAI --- 角色扮演式多 Agent
OpenAI Assistants API --- 官方封装

总结

AI 负责思考和决策，代码负责执行和操作，两者分工合作，AI 才能真正"干活"。

Function Calling 是构建实用 AI 应用的必备技能。

推荐学习路径：

用 OpenAI API 跑通天气查询示例
把项目里的接口包装成 Function
让 AI 自主完成多步操作任务

点个赞 👍 收藏一下，后续写 Agent 构建实战、多工具协作等！