OpenAI API Tool Call：模型如何调用你的函数
一句话理解 Tool Call：模型负责判断"该调用什么、参数是什么"，应用负责真正执行函数，再把结果交还给模型组织答案。
它不是让大模型直接运行你的代码，而是一套连接大模型与外部能力的协议。数据库查询、天气接口、订单系统，都可以通过同一套模式接入。
核心流程
以 weather_call.py 中的天气查询为例，一次完整调用分为 5 步：
- 应用把用户问题和工具定义一起发给模型。
- 模型返回
tool_calls，给出函数名和 JSON 参数。 - 应用解析参数，执行本地的
get_weather()。 - 应用通过
tool_call_id把执行结果回传给模型。 - 模型结合上下文和工具结果，生成最终自然语言回答。
关键点是：第 3 步发生在应用侧，不在模型内部。 因此，鉴权、参数校验和函数执行仍由开发者控制。
Python 核心代码
先安装依赖：
bash
python -m pip install openai python-dotenv在同级目录创建 .env：
plain
OPENAI_API_KEY=你的_API_Key
OPENAI_BASE_URL=你的_API_地址
OPENAI_MODEL=服务方支持的模型名下面是tools/tool_calls 完整流程：
python
import json
import os
from dotenv import find_dotenv, load_dotenv
from openai import OpenAI
load_dotenv(find_dotenv(), override=True)
MODEL = os.environ["OPENAI_MODEL"]
WEATHER_DATA = {
"北京": {"condition": "晴", "temperature": 26},
"上海": {"condition": "多云", "temperature": 24},
"杭州": {"condition": "小雨", "temperature": 22},
}
WEATHER_TOOL = {
"type": "function",
"function": {
"name": "get_weather",
"description": "查询指定城市的当前天气。",
"parameters": {
"type": "object",
"properties": {
"location": {"type": "string", "description": "城市名称"},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
},
},
"required": ["location", "unit"],
"additionalProperties": False,
},
},
}
def create_client():
return OpenAI(
api_key=os.environ["OPENAI_API_KEY"],
base_url=os.environ["OPENAI_BASE_URL"],
)
def get_weather(location, unit="celsius"):
"""本地模拟天气数据，真实项目可替换为 HTTP API 或数据库。"""
city = next((name for name in WEATHER_DATA if name in location), None)
if city is None:
return {"status": "not_found", "location": location}
weather = WEATHER_DATA[city]
temperature = weather["temperature"]
if unit == "fahrenheit":
temperature = round(temperature * 9 / 5 + 32, 1)
return {
"status": "ok",
"location": city,
"condition": weather["condition"],
"temperature": temperature,
"unit": unit,
}
def dispatch_function(name, arguments):
"""解析模型参数，只调用白名单内的函数。"""
try:
params = json.loads(arguments)
if name != "get_weather":
return {"error": f"未知函数: {name}"}
return get_weather(**params)
except (json.JSONDecodeError, TypeError) as exc:
return {"error": str(exc)}
def run_tool_call(client, question):
messages = [{"role": "user", "content": question}]
# 第一次请求：让模型决定是否调用工具。
response = client.chat.completions.create(
model=MODEL,
messages=messages,
tools=[WEATHER_TOOL],
tool_choice="auto",
)
assistant_message = response.choices[0].message
tool_calls = assistant_message.tool_calls
if not tool_calls:
return assistant_message.content
# 保留模型返回的 tool_calls。
messages.append(
{
"role": "assistant",
"content": assistant_message.content,
"tool_calls": [
{
"id": call.id,
"type": call.type,
"function": {
"name": call.function.name,
"arguments": call.function.arguments,
},
}
for call in tool_calls
],
}
)
# 应用执行函数，并通过 tool_call_id 回传结果。
for call in tool_calls:
result = dispatch_function(
call.function.name,
call.function.arguments,
)
messages.append(
{
"role": "tool",
"tool_call_id": call.id,
"content": json.dumps(result, ensure_ascii=False),
}
)
# 第二次请求：模型根据工具结果生成最终回答。
final_response = client.chat.completions.create(
model=MODEL,
messages=messages,
)
return final_response.choices[0].message.content
if __name__ == "__main__":
client = create_client()
print(run_tool_call(client, "上海现在天气怎么样？"))运行：
bash
python weather_call.py代码中必须理解的 4 个点
WEATHER_TOOL是给模型看的接口说明，使用 JSON Schema 约束参数。tool_choice="auto"不会强制调用工具，因此tool_calls可能为空。- 模型返回的函数名和参数不可信，应用必须使用函数白名单和参数校验。
tool_call_id用来关联调用与结果，不能省略；一次响应也可能包含多个调用。
真实项目中，通常只需要把 get_weather() 替换为实际 HTTP API、数据库查询或业务方法，其他调用流程基本不变。
工程注意点
- 支付、删除、发布等有副作用的工具，需要鉴权、幂等和人工确认。
- 外部接口应设置超时和重试，并记录函数名、参数、耗时与结果。
- 复杂任务可能连续产生
tool_calls，生产代码应增加循环次数上限。
结论
Tool Call 的本质不是"模型执行函数"，而是一个受控闭环：
模型生成调用意图 → 应用执行真实能力 → 模型解释执行结果