如何基于OpenAI进行Function Calling调用

基于LLM进行工具调用或技能执行，是近期最热门的话题之一。

目前已经有很多LLM工具调用框架，比如langchain、openclaw、owl等。

然而，工具调用过程一般被封装在框架内，用户一般只能接触到各种配置，窥探不到调用细节。

这里尝试基于网络资料，模拟获取天气的函数，示例如何利用LLM进行Function Calling的过程。

1 环境准备

1.1 安装openai

如果尚未安装，首先安装 OpenAI 库。

pip install openai

1.2 配置openai

然后在代码中设置LLM的 API Key、Base Url，示例代码如下。

复制代码

import os

model_name = gpt_model_name # LLM名称,比如deepseek-r1, qwen3.5-8b
os.environ['OPENAI_API_KEY'] = gpt_api_key # LLM供应商提供的api key
os.environ['OPENAI_BASE_URL'] = gpt_api_url # LLM供应商提供llm访问api的url

2 工具准备

由于是模拟一个获取天气的函数，让模型在需要时调用它。

所以在实际模拟之前，需要定义工具和实现函数。

2.1 定义可用的工具

定义可用工具，在这里即指定义Function。

需要以 JSON 格式描述函数，包括函数名、描述和参数。

这里定义一个获取城市天气的函数：

复制代码

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的当前天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，例如：北京、上海"
                    },
                    "unit": {
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"],
                        "description": "温度单位，默认为摄氏度"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

2.2 实现函数逻辑

这里通过字典实现一个及其简单的示例函数，模拟简单模拟返回一个字符串。

示例代码如下

复制代码

def get_weather(city, unit="celsius"):
    # 模拟天气数据
    weather_data = {
        "北京": {"celsius": "18°C 晴", "fahrenheit": "64°F 晴"},
        "上海": {"celsius": "22°C 多云", "fahrenheit": "72°F 多云"},
    }
    info = weather_data.get(city, {}).get(unit, "未知城市或单位")
    return f"{city}当前天气：{info}"

实际应用中，这里可以调用真实的天气 API。

3 调用示例

3.1 工具对话示例

这里发起带有 tools 的对话请求，发送用户消息，模型可能会决定是否调用函数。

对话示例代码如下。

复制代码

from openai import OpenAI

# 2. 初始化客户端
client = OpenAI()

def chat_with_function():
    messages = [{"role": "user", "content": "北京今天天气怎么样？"}]

    response = client.beta.chat.completions.create(
        model=model_name,  # 或 gpt-4-turbo 等支持 function calling 的模型
        messages=messages,
        tools=tools,
        tool_choice="auto",  # 让模型自动决定是否调用函数
    )

    # 获取模型的响应
    response_message = response.choices[0].message
    print("初始响应:", response_message)

    # 检查是否有工具调用请求
    if response_message.tool_calls:
        # 将模型的响应添加到对话历史
        messages.append(response_message)

        # 遍历所有工具调用
        for tool_call in response_message.tool_calls:
            function_name = tool_call.function.name
            arguments = json.loads(tool_call.function.arguments)
            
            if function_name == "get_weather":
                # 调用我们实际的函数
                result = get_weather(**arguments)
                # 将函数执行结果作为消息返回
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": result,
                })
        
        # 再次请求模型，将工具返回结果传递给模型，获得最终回答
        second_response = client.beta.chat.completions.create(
            model=model_name,
            messages=messages,
            tools=tools,
        )
        final_message = second_response.choices[0].message.content
        print("最终回答:", final_message)
    else:
        # 没有工具调用，直接输出内容
        print("回答:", response_message.content)

# 执行
chat_with_function()

以下是运行结果示例

初始响应: ChatCompletionMessage(content=None, refusal=None, role='assistant', annotations=None, audio=None, function_call=None, tool_calls=[ChatCompletionMessageFunctionToolCall(id='chatcmpl-tool-8078c38xxxxxxx', function=Function(arguments='{"city": "北京"}', name='get_weather'), type='function')], reasoning='用户询问北京今天的天气情况。我需要使用 get_weather 工具来获取北京的天气信息。\n\n根据工具定义：\n- city 参数是必需的，用户已经提供了"北京"\n- unit 参数是可选的，默认是摄氏度，用户没有特别指定，所以使用默认值\n\n我应该调用 get_weather 函数，参数 city 设为"北京"。\n')

最终回答:

北京今天天气晴朗，当前气温为18°C。是个不错的天气，适合外出活动！

示例完整展示了Function Calling的基本流程，可根据业务需求扩展更多函数和更复杂的逻辑。