在企业微信外部群的实际 AI 落地场景中，仅仅让大模型做"文本问答"往往只能解决咨询类需求。如果要实现真正的业务闭环（如：在群里直接查订单进度、发起售后工单、查询库存、帮客户预约时间 ），就需要引入大语言模型的 Function Calling（函数调用） 能力。
通过将 AI 的 Tool Use 能力与企业微信 API 深度结合，AI 智能体不仅能"说话"，还能作为"业务员"直接调用后端系统完成实际操作。
一、 Function Calling 交互流设计
与普通的对话不同，Function Calling 允许大模型根据用户的自然语言，自主判断是否需要触发某个业务函数，并解析出正确的参数。
text
┌─────────────────┐ 1. 用户提问 ┌─────────────────┐ 2. 带 Tool 定义调用 ┌─────────────────┐
│ 外部群用户提问 │ ────────────────────> │ 二次开发网关接口 │ ─────────────────────────> │ LLM (支持 Function)│
└─────────────────┘ └─────────────────┘ └─────────────────┘
▲ │ │
│ 6. 主动推送结果 │ 4. 执行本地函数 │ 3. 返回结构化参数
│ ▼ │ (tool_calls)
┌─────────────────┐ 5. 回传 Tool 结果 ┌─────────────────┐ │
│ 消息投递服务 │ <──────────────────── │ 业务系统/数据库 │ <────────────────────────────┘
│ (外部群主动推送) │ │ (CRM/ERP API) │
└─────────────────┘ └─────────────────┘- 意图识别：用户在群里输入："帮我查一下订单号 OR-20260814 的发货进度"。
- 函数匹配 ：大模型识别出需要调用
get_order_status函数，并提取出参数order_id="OR-20260814"。 - 本地执行：系统执行对应的 Python 函数查询 ERP 数据库。
- 二次生成与投递：将数据库返回的查询结果喂给大模型，生成人情味的回答，最终调用企微 API 投递到外部群。
二、 核心 Python 代码实现
以下展示结合 OpenAI Function Calling 与企业微信外部群主动推送 API 的完整闭环代码：
python
import json
import requests
from openai import OpenAI
# 1. 基础配置
llm_client = OpenAI(api_key="your_llm_api_key", base_url="https://api.your-llm-provider.com/v1")
API_GATEWAY_URL = "https://api.your-domain.com/v1/group/send_message"
API_TOKEN = "your_secret_access_token"
# 2. 模拟本地业务系统 API 函数
def get_order_status(order_id: str) -> str:
"""模拟查询订单系统"""
mock_db = {
"OR-20260814": {"status": "已发货", "carrier": "顺丰速运", "tracking_num": "SF12345678"},
"OR-20260815": {"status": "打包中", "carrier": "暂无", "tracking_num": "暂无"}
}
info = mock_db.get(order_id)
if info:
return json.dumps(info, ensure_ascii=False)
return json.dumps({"error": "未查找到该订单，请核对订单号。"}, ensure_ascii=False)
# 3. 定义大模型可调用的 Tool 工具列表
tools = [
{
"type": "function",
"function": {
"name": "get_order_status",
"description": "根据订单号查询客户订单的发货状态与物流信息",
"parameters": {
"type": "object",
"properties": {
"order_id": {
"type": "string",
"description": "客户的订单编号，例如 OR-20260814"
}
},
"required": ["order_id"]
}
}
}
]
def handle_agent_workflow(chat_id: str, sender_id: str, user_prompt: str):
"""处理 Agent 函数调用主流程"""
messages = [
{"role": "system", "content": "你是一名专业的企微售后助手，遇到用户查询订单时请使用工具处理。"},
{"role": "user", "content": user_prompt}
]
# 第一次调用 LLM，让模型判断是否需要触发 Tool
response = llm_client.chat.completions.create(
model="gpt-4o-mini",
messages=messages,
tools=tools,
tool_choice="auto"
)
response_msg = response.choices[0].message
# 检查模型是否决定调用函数
if response_msg.tool_calls:
# 将模型的思考过程装入消息历史
messages.append(response_msg)
for tool_call in response_msg.tool_calls:
func_name = tool_call.function.name
args = json.loads(tool_call.function.arguments)
# 匹配并执行本地函数
if func_name == "get_order_status":
tool_result = get_order_status(args.get("order_id"))
# 将函数执行结果拼回上下文
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": tool_result
})
# 第二次调用 LLM，总结本地函数返回的结果
second_response = llm_client.chat.completions.create(
model="gpt-4o-mini",
messages=messages
)
final_text = second_response.choices[0].message.content
else:
# 未触发工具，直接输出普通文本回答
final_text = response_msg.content
# 调用 API 将最终结果投递至外部群
send_msg_to_group(chat_id, sender_id, final_text)
def send_msg_to_group(chat_id: str, sender_id: str, text: str):
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {API_TOKEN}"
}
payload = {
"chat_id": chat_id,
"msg_type": "text",
"text": {
"content": text,
"mentioned_list": [sender_id]
}
}
requests.post(API_GATEWAY_URL, json=payload, headers=headers, timeout=5)
if __name__ == "__main__":
# 测试运行
handle_agent_workflow(
chat_id="external_chat_998877",
sender_id="user_888",
user_prompt="帮我查下订单 OR-20260814 发货了吗？"
)如果有关于不同消息载荷类型或高级接口调用的配置诉求，可以直接去 企业微信 API 开发文档 查阅详细的技术规范。
三、 生产环境的安全与防错机制
- 敏感操作的二次确认机制 ：
对于"修改订单地址"、"取消订单"等敏感函数，不能让 AI 直接执行。AI 应解析参数后，先生成一条"卡片消息"包含确认按钮，等待管理员或客户手动点击确认后再真正发起变更。 - 严格的参数校验 (JSON Schema Validation) ：
大模型提取出的参数（如电话号码、日期格式）偶尔会存在偏差，本地函数在执行前必须加入强类型校验与正则过滤，防止恶意 SQL 注入或非法调用。 - 超时降级与超时熔断 ：
两次 LLM 请求加上一次本地 API 调用的总时长容易超出 5 秒。建议开启后台异步队列处理，网关接收到请求后立即响应，待 Agent 流程全部结束后再主动异步推送。