大模型 Function Call 实战入门:原理、环境搭建与多轮调用完整教程

大模型 Function Call 实战入门:原理、环境搭建与多轮调用完整教程

前言

现在大模型应用开发中,Function Call(函数调用)是非常核心的能力。它解决了大模型本身知识截止、无法访问外部工具、无法执行业务逻辑的痛点:让大模型不再只输出文本,而是可以判断什么时候需要调用外部函数、生成函数调用参数,拿到函数返回结果之后再整理回答用户。

本文会从项目环境搭建开始,讲解 Function Call 的底层原理、基础使用方式,以及实际开发中高频遇到的多次循环调用场景,并附带可运行的代码示例,帮助快速上手开发。

一、项目介绍

什么是 Function Call

传统大模型对话:用户提问 → 大模型直接输出文本答案。局限很明显:

  1. 模型知识库存在时间截止,拿不到实时数据;
  2. 不能直接操作本地代码、调用接口、查询数据库;
  3. 无法完成计算、查询天气、订单查询这类业务动作。

Function Call(工具调用) ,就是开发者预先定义好一批外部函数(工具),告诉大模型这些函数的名称、作用、入参格式。当用户问题需要用到工具的时候,大模型不会直接回答,而是输出结构化的函数调用JSON;我们程序拿到这个JSON,执行本地函数,把函数执行结果再次塞回给大模型,大模型结合工具结果,输出自然语言回复给用户。

适用业务场景:

  • 实时信息查询:天气、新闻、股票;
  • 业务操作:查询数据库、订单查询;
  • 代码计算:数学运算;
  • Agent智能体:多工具组合完成复杂任务。

整个链路:用户提问 → LLM输出工具调用参数 → 本地执行函数 → 将函数结果回传给LLM → LLM整理最终回答。

二、项目环境搭建

我们使用 Python 环境,以兼容 OpenAI 接口协议的大模型 SDK 来演示(主流国产大模型也兼容这套接口格式)。

1. 安装依赖

复制代码
pip install openai python-dotenv

2. 基础配置文件 .env

ini 复制代码
LLM_BASE_URL=[https://api.example.com/v1](https://api.example.com/v1)
LLM_API_KEY=sk-xxxxxxx
LLM_MODEL_NAME=your-model

3. 基础初始化代码

ini 复制代码
import os
from dotenv import load_dotenv
from openai import OpenAI

# 加载环境变量
load_dotenv()

client = OpenAI(
    base_url=os.getenv("LLM_BASE_URL"),
    api_key=os.getenv("LLM_API_KEY")
)
model_name = os.getenv("LLM_MODEL_NAME")

三、Function Call 的概念和原理

核心概念

  1. tools(工具描述) :给大模型看的函数元信息,JSON格式,描述函数名字、功能描述、入参类型、哪些参数必填。大模型不会直接执行你的Python函数,它只读取tools描述,生成调用参数。

    ⚠️重点:大模型不知道你的函数内部实现,只依靠你写的描述来判断要不要调用、传什么参数。所以 description 描述一定要写清晰。

  2. tool_calls:大模型返回的结构化字段,如果需要调用工具,就会返回这个字段,里面包含函数名、参数json。

  3. 工具执行层 :我们自己写的Python代码,解析tool_calls,分发调用对应的真实函数,拿到返回结果。

  4. 消息上下文:把工具执行结果,组装成新的message,追加到对话历史,再次请求大模型。

完整流程原理图(文字版)

css 复制代码
用户问题
    ↓
[系统提示 + 用户消息 + tools定义] → 请求大模型
    ↓
模型判断:需要调用工具 → 返回 tool_calls
    ↓
业务代码解析tool_calls,执行本地真实函数
    ↓
把函数返回结果包装成tool消息,加入对话历史
    ↓
再次把完整对话传给大模型
    ↓
大模型结合工具返回数据,输出自然语言最终回答

误区纠正:很多新手以为大模型会远程执行本地Python函数。不是!大模型只生成参数,函数是你的本地代码运行的。

四、Function Call 的基础使用(单轮调用示例)

我们实现一个简单工具:一个加法计算函数,让大模型在用户提问计算的时候调用这个工具。

完整可运行代码:

ini 复制代码
import os
import json
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()
client = OpenAI(
    base_url=os.getenv("LLM_BASE_URL"),
    api_key=os.getenv("LLM_API_KEY")
)
model_name = os.getenv("LLM_MODEL_NAME")

# 1. 真实的本地工具函数
def add(a: int, b: int):
    """两数相加"""
    return a + b

# 2. 给大模型的tools描述
tools = [
    {
        "type": "function",
        "function": {
            "name": "add",
            "description": "计算两个整数的相加结果",
            "parameters": {
                "type": "object",
                "properties": {
                    "a": {"type": "integer", "description": "第一个整数"},
                    "b": {"type": "integer", "description": "第二个整数"}
                },
                "required": ["a", "b"]
            }
        }
    }
]

# 对话消息列表
messages = [
    {"role": "user", "content": "帮我计算 123 + 456等于多少"}
]

# 第一次请求大模型
resp = client.chat.completions.create(
    model=model_name,
    messages=messages,
    tools=tools
)

choice = resp.choices[0]
# 判断是否触发工具调用
if choice.message.tool_calls:
    tool_call = choice.message.tool_calls[0]
    func_name = tool_call.function.name
    func_args = json.loads(tool_call.function.arguments)
    print(f"模型想要调用函数:{func_name}, 参数:{func_args}")

    # 执行本地函数
    result = add(**func_args)

    # 将模型的工具调用消息加入上下文
    messages.append(choice.message)
    # 将工具执行结果追加消息
    messages.append({
        "role": "tool",
        "tool_call_id": tool_call.id,
        "content": str(result)
    })

    # 二次请求大模型获取最终回答
    final_resp = client.chat.completions.create(
        model=model_name,
        messages=messages,
        tools=tools
    )
    print("最终回答:", final_resp.choices[0].message.content)
else:
    # 不需要调用工具直接输出回答
    print(choice.message.content)

运行输出:

csharp 复制代码
模型想要调用函数:add, 参数:{'a': 123, 'b': 456}
最终回答:123加上456的计算结果是579。

关键点:

  1. tools 数组只负责告诉模型工具信息;
  2. tool_call_id 必须一一对应,否则接口会报错;
  3. tool角色消息必须把函数运行结果放进去,再二次请求模型。

五、Function Call 的多次调用(循环调用场景)

很多场景,一次工具调用不够。例如:用户的问题需要先后调用多个工具;或者第一次调用工具返回结果后,模型还需要继续调用别的工具获取更多信息,这就是Function Call多轮循环调用。

举个场景:我们有两个工具,加法add、乘法mul。用户提问 (1+2)*3,模型需要先调用add得到1+2结果,拿到结果之后再调用mul做乘法,再给出最终答案。

业务上Agent大多都是这个模式:循环,只要返回有tool_calls就继续执行工具、追加上下文,直到模型不再需要调用工具,输出文本回答。

完整循环调用代码示例:

python 复制代码
import os
import json
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()
client = OpenAI(
    base_url=os.getenv("LLM_BASE_URL"),
    api_key=os.getenv("LLM_API_KEY")
)
model_name = os.getenv("LLM_MODEL_NAME")

# 本地工具集
def add(a: int, b: int):
    """两数相加"""
    return a + b

def mul(a: int, b: int):
    """两数相乘"""
    return a * b

# 工具分发映射,函数名字映射到实际python函数
func_map = {
    "add": add,
    "mul": mul
}

tools = [
    {
        "type": "function",
        "function": {
            "name": "add",
            "description": "计算两个整数的相加结果",
            "parameters": {
                "type": "object",
                "properties": {
                    "a": {"type": "integer", "description": "第一个整数"},
                    "b": {"type": "integer", "description": "第二个整数"}
                },
                "required": ["a", "b"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "mul",
            "description": "计算两个整数的相乘结果",
            "parameters": {
                "type": "object",
                "properties": {
                    "a": {"type": "integer", "description": "乘数1"},
                    "b": {"type": "integer", "description": "乘数2"}
                },
                "required": ["a", "b"]
            }
        }
    }
]

messages = [
    {"role": "user", "content": "计算 (1+2)乘以3等于多少"}
]

# 循环:只要模型返回tool_calls就持续执行工具
max_loop = 5  # 防止死循环,设置最大调用轮次
for _ in range(max_loop):
    resp = client.chat.completions.create(
        model=model_name,
        messages=messages,
        tools=tools
    )
    msg = resp.choices[0].message
    # 如果没有工具调用,退出循环,输出最终文本
    if not msg.tool_calls:
        print("模型最终输出:", msg.content)
        break

    # 保存模型调用工具的消息到上下文
    messages.append(msg)

    # 遍历本次所有工具调用(支持一次返回多个工具)
    for tool_call in msg.tool_calls:
        name = tool_call.function.name
        args = json.loads(tool_call.function.arguments)
        print(f"调用工具 {name}, 参数 {args}")
        # 分发执行函数
        fn = func_map[name]
        res = fn(**args)
        # 把工具结果写回消息队列
        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": str(res)
        })
else:
    print("达到最大循环次数,终止工具调用")

运行输出示例:

css 复制代码
调用工具 add, 参数 {'a': 1, 'b': 2}
调用工具 mul, 参数 {'a': 3, 'b': 3}
模型最终输出:(1+2)乘以3的结果等于9。

多轮调用开发注意点

  1. 一定要设置最大循环次数max_loop,防止模型无限生成tool_calls造成死循环;
  2. 支持并行调用:模型一次可以返回多个tool_call,代码要遍历全部执行;
  3. 上下文会不断累积,长对话注意token消耗;
  4. 工具执行可能异常,生产环境需要捕获函数异常,把错误信息返回给大模型,让模型知道调用出错;
  5. tool_call_id必须严格对应,否则接口返回参数错误。

六、总结

  1. Function Call 本质是大模型输出结构化参数,本地程序执行真实函数,并不是模型远程运行代码;
  2. 开发流程:环境准备 → 定义本地函数 → 编写tools工具描述 → 请求模型,判断tool_calls → 执行工具,回写结果,二次请求;
  3. 单次调用可以满足简单需求;复杂任务要写循环逻辑,实现多次Function Call,同时做好循环上限保护;
  4. tools的description描述质量,直接决定模型会不会正确调用你的函数,写描述是开发中的重点。

Function Call 是构建LLM Agent的基础能力,掌握单轮和循环多轮调用之后,就可以基于此开发知识库查询、数据库查询、智能Agent等复杂应用。

相关推荐
用户360055579008 分钟前
Kestrel_VLLM - 43 · 默认化前的一次解耦:一个遮蔽 bug 与一次口径污染
人工智能
狒狒AI15 分钟前
DeepSeek Harness 插件生态拆解:31,259 个仓库与 93% 装不上的口径差
人工智能
AI前端工程狮17 分钟前
我把 MCP 长任务拆成三个工具,token 账单涨了 7 倍
javascript·人工智能·程序员
阿里云大数据AI技术18 分钟前
如何用 STAROps Elasticsearch 智能助手看穿“搜索变慢”
人工智能·agent
用户3214687511122 分钟前
不会编程也能考AI证书?应用型与技术型认证的门槛差在哪
人工智能
程序员cxuan31 分钟前
GPT-6.2 Astra 发布了,但口碑崩了。。。
人工智能·后端·程序员
SelectDB33 分钟前
让数据更易查、更好用:正泰集团基于 SelectDB 的 AI 应用实践
人工智能
字节跳动数据库1 小时前
火山引擎缓存数据库:如何构建超大规模缓存集群的无感弹性能力
数据库·人工智能·后端