别再让 AI 瞎猜了：Function Calling 实战，10 分钟让模型真正会用工具

bughunter2026-04-22 10:27

上个月给客户做了个 AI 客服 Demo，演示的时候客户问："我们公司昨天的销售额是多少？"

AI 非常自信地回答："昨天贵公司销售额约为 128 万元，同比增长 15%。"

全场沉默。那个数字是我见过最离谱的幻觉，因为那个系统根本没接数据库。

这就是不用 Function Calling 的后果------模型会编，而且编得很有自信。

什么是 Function Calling

Function Calling（也叫 Tool Use）是让模型在回答时，能够主动调用你预先定义好的函数，而不是靠猜。

你告诉模型有哪些工具可以用，模型在需要的时候会说"帮我调用这个工具，参数是这些"，然后你执行，把结果还给模型，模型再给出最终回答。

这个机制解决了大模型最核心的问题：知识截止日期 + 无法访问私有数据。

最简单的例子：查天气

先从最经典的天气查询开始，把整个流程跑通。

python 复制代码 
import openai
import json

client = openai.OpenAI(
    base_url='https://api.ofox.ai/v1',
    api_key='sk-xxx'
)

tools = [
    {
        'type': 'function',
        'function': {
            'name': 'get_weather',
            'description': '获取指定城市的当前天气',
            'parameters': {
                'type': 'object',
                'properties': {
                    'city': {
                        'type': 'string',
                        'description': '城市名称，如：北京、上海'
                    }
                },
                'required': ['city']
            }
        }
    }
]

def get_weather(city: str) -> dict:
    weather_data = {
        '北京': {'temp': 22, 'condition': '晴', 'humidity': 45},
        '上海': {'temp': 26, 'condition': '多云', 'humidity': 70},
    }
    return weather_data.get(city, {'temp': 20, 'condition': '未知', 'humidity': 50})

def chat_with_tools(user_message: str):
    messages = [{'role': 'user', 'content': user_message}]

    response = client.chat.completions.create(
        model='claude-sonnet-4-6',
        messages=messages,
        tools=tools,
        tool_choice='auto'
    )

    message = response.choices[0].message

    if message.tool_calls:
        messages.append(message)

        for tool_call in message.tool_calls:
            func_name = tool_call.function.name
            func_args = json.loads(tool_call.function.arguments)

            if func_name == 'get_weather':
                result = get_weather(**func_args)

            messages.append({
                'role': 'tool',
                'tool_call_id': tool_call.id,
                'content': json.dumps(result, ensure_ascii=False)
            })

        final_response = client.chat.completions.create(
            model='claude-sonnet-4-6',
            messages=messages,
            tools=tools
        )
        return final_response.choices[0].message.content

    return message.content

print(chat_with_tools('北京今天天气怎么样？'))

跑起来之后，模型会先判断这个问题需要查天气，然后告诉你调用 get_weather(city='北京')，你执行完把结果还给它，它再组织语言回答用户。整个流程清晰，不会有任何幻觉。

进阶：多工具 + 数据库查询

天气查询太简单了，来个实际场景：让 AI 帮你查订单数据。

python 复制代码 
import sqlite3
from datetime import datetime

def init_db():
    conn = sqlite3.connect(':memory:')
    cursor = conn.cursor()
    cursor.execute('''
        CREATE TABLE orders (
            id INTEGER PRIMARY KEY,
            customer TEXT,
            amount REAL,
            status TEXT,
            created_at TEXT
        )
    ''')
    test_data = [
        (1, '张三', 1280.00, 'completed', '2026-04-21'),
        (2, '李四', 560.50, 'pending', '2026-04-21'),
        (3, '王五', 3200.00, 'completed', '2026-04-20'),
        (4, '赵六', 890.00, 'cancelled', '2026-04-20'),
    ]
    cursor.executemany('INSERT INTO orders VALUES (?,?,?,?,?)', test_data)
    conn.commit()
    return conn

db_conn = init_db()

tools = [
    {
        'type': 'function',
        'function': {
            'name': 'query_orders',
            'description': '查询订单数据，支持按日期（YYYY-MM-DD）、状态（completed/pending/cancelled）、客户名筛选',
            'parameters': {
                'type': 'object',
                'properties': {
                    'date': {'type': 'string', 'description': '日期，格式 YYYY-MM-DD'},
                    'status': {'type': 'string', 'description': '订单状态：completed/pending/cancelled'},
                    'customer': {'type': 'string', 'description': '客户姓名'}
                }
            }
        }
    },
    {
        'type': 'function',
        'function': {
            'name': 'get_sales_summary',
            'description': '获取指定日期的销售汇总：总订单数、总金额、已完成金额',
            'parameters': {
                'type': 'object',
                'properties': {
                    'date': {'type': 'string', 'description': '日期，格式 YYYY-MM-DD'}
                },
                'required': ['date']
            }
        }
    }
]

def query_orders(date=None, status=None, customer=None):
    cursor = db_conn.cursor()
    query = 'SELECT * FROM orders WHERE 1=1'
    params = []
    if date:
        query += ' AND created_at = ?'
        params.append(date)
    if status:
        query += ' AND status = ?'
        params.append(status)
    if customer:
        query += ' AND customer LIKE ?'
        params.append(f'%{customer}%')
    cursor.execute(query, params)
    rows = cursor.fetchall()
    if len(rows) > 20:
        return {'data': [dict(zip(['id','customer','amount','status','date'], r)) for r in rows[:20]], 'total': len(rows), 'note': f'共 {len(rows)} 条，仅返回前 20 条'}
    return {'data': [dict(zip(['id','customer','amount','status','date'], r)) for r in rows], 'total': len(rows)}

def get_sales_summary(date: str):
    cursor = db_conn.cursor()
    cursor.execute('''
        SELECT COUNT(*), SUM(amount),
               SUM(CASE WHEN status='completed' THEN amount ELSE 0 END)
        FROM orders WHERE created_at = ?
    ''', (date,))
    row = cursor.fetchone()
    return {'date': date, 'total_orders': row[0], 'total_amount': row[1], 'completed_amount': row[2]}

TOOL_MAP = {'query_orders': query_orders, 'get_sales_summary': get_sales_summary}

def chat_with_db(user_message: str):
    messages = [{'role': 'user', 'content': user_message}]
    while True:
        response = client.chat.completions.create(
            model='claude-sonnet-4-6',
            messages=messages,
            tools=tools,
            tool_choice='auto'
        )
        message = response.choices[0].message
        if not message.tool_calls:
            return message.content
        messages.append(message)
        for tool_call in message.tool_calls:
            func_name = tool_call.function.name
            func_args = json.loads(tool_call.function.arguments)
            func = TOOL_MAP.get(func_name)
            result = func(**func_args) if func else {'error': '工具不存在'}
            messages.append({
                'role': 'tool',
                'tool_call_id': tool_call.id,
                'content': json.dumps(result, ensure_ascii=False)
            })

print(chat_with_db('昨天（2026-04-21）的销售情况怎么样？'))
print(chat_with_db('帮我查一下张三的所有订单'))

这段代码支持多轮工具调用------如果模型觉得需要先查汇总、再查明细，它会连续调用两个工具，你只需要在循环里处理就行。

几个容易踩的坑

工具描述要写清楚

模型靠 description 决定要不要调用这个工具，以及怎么传参。描述越清晰，调用越准确。

python 复制代码 
# 差的描述
'description': '查询数据'

# 好的描述
'description': '查询订单数据库，支持按日期（YYYY-MM-DD格式）、状态（completed/pending/cancelled）、客户姓名筛选，返回匹配的订单列表'

工具执行要做参数校验

模型传过来的参数不一定合法，特别是日期格式、枚举值这类。

python 复制代码 
def query_orders(date=None, status=None, customer=None):
    if date:
        try:
            datetime.strptime(date, '%Y-%m-%d')
        except ValueError:
            return {'error': f'日期格式错误：{date}，应为 YYYY-MM-DD'}

    valid_statuses = {'completed', 'pending', 'cancelled'}
    if status and status not in valid_statuses:
        return {'error': f'无效状态：{status}'}
    # ... 正常查询逻辑

工具结果要控制大小

如果查询返回几千条数据，直接塞进 messages 会撑爆 context window，而且费钱。上面的 query_orders 已经做了截断处理，超过 20 条只返回前 20 条并附上总数提示。

处理工具调用失败

网络抖动、数据库超时都可能发生，要给模型一个明确的错误信息。

python 复制代码 
try:
    result = func(**func_args)
except Exception as e:
    result = {'error': str(e), 'success': False}

工具管理：稍微封装一下

工具多了之后，散落在各处的 dict 很难维护。简单封装一个注册表：

python 复制代码 
from dataclasses import dataclass
from typing import Callable, Any

@dataclass
class Tool:
    name: str
    description: str
    parameters: dict
    func: Callable

    def to_schema(self):
        return {
            'type': 'function',
            'function': {
                'name': self.name,
                'description': self.description,
                'parameters': self.parameters
            }
        }

class ToolRegistry:
    def __init__(self):
        self._tools: dict[str, Tool] = {}

    def register(self, tool: Tool):
        self._tools[tool.name] = tool

    def get_schemas(self):
        return [t.to_schema() for t in self._tools.values()]

    def execute(self, name: str, args: dict) -> Any:
        tool = self._tools.get(name)
        if not tool:
            return {'error': f'未知工具：{name}'}
        try:
            return tool.func(**args)
        except Exception as e:
            return {'error': str(e)}

registry = ToolRegistry()
registry.register(Tool(
    name='query_orders',
    description='查询订单数据，支持按日期、状态、客户名筛选',
    parameters={...},
    func=query_orders
))

新增工具只需要 register 一下，get_schemas() 直接传给 API，execute() 统一处理调用和异常。

小结

Function Calling 的核心就三步：定义工具 → 让模型决策 → 执行并返回结果。

掌握这个之后，AI 应用能做的事情就多了很多：查数据库、调外部 API、操作文件系统、发送通知......只要你能写成函数，模型就能用。

我的 API 调用统一走 ofox.ai，Claude 和 GPT 的 Function Calling 接口格式基本一致，切换模型不用改工具定义这部分代码，省了不少事。

下一步可以试试把多个工具组合起来，让模型自己规划调用顺序------那就是 Agent 的雏形了。

相关推荐
摆烂工程师13 小时前
GPT-Image-2 真有点夯：中文不乱码了！GPT-Image-2的入口在哪？教你如何确认自己是否被灰度推送了 GPT-Image-2
gpt·chatgpt·openai
量子位20 小时前
跨维智能DexWorldModel斩获榜首，世界模型真正的考场在机器人执行里
openai
量子位20 小时前
这次，库克真的要卸任苹果CEO了！
openai
爱吃的小肥羊1 天前
我整理了 14 种 GPT-Image-2 的神仙玩法,大家看看效果怎么样！
aigc·openai
程序大视界1 天前
OpenAI放大招，GPT-6发布！
gpt·chatgpt·openai
舒一笑2 天前
大模型根本不是“学会了”，它只是会“看例子”：一文讲透 In-context Learning（ICL）
langchain·llm·openai
冬奇Lab2 天前
你的 Skill 真的好用吗？来自OpenAI的 Eval 系统化验证 Agent 技能方法论
人工智能·openai
Karl_wei2 天前
企业级 Vibe Coding 实操
openai·ai编程·cursor
冰凌时空2 天前
Swift vs Objective-C：语言设计哲学的全面对比
ios·openai
热门推荐
012026年4月技术前沿：AI大模型爆发、智能体革命与量子安全新纪元02GitHub 镜像站点032026年4月AI大事件深度解读：大模型竞争进入“深水区“042026 年 AI 编程助手全面对比评测：Cursor vs Copilot vs Claude Code vs GitHub Copilot Free05近期有什么ai的新消息，新动态？ 2026.4月06AI Weekly | 2026年4月第二周 · GitHub热门项目与AI发展趋势深度解析07Claude Code Windows 兼容性问题：指定版本 2.1.112 可解决08从限购到畅通：GLM-5.1 Coding Plan接入攻略09UBUNTU Claude Code 报错 claude native binary not installed10免费！不限量！用opencode接入英伟达（NVIDIA）大模型，轻松打造你的 AI 编程助手