AI Agent 开发入门:用 Function Calling 让大模型学会 “动手干活”,附订单查询机器人实战

1 从 "会说" 到 "会做":AI Agent 解决什么问题

你大概已经体验过和大模型聊天的乐趣:问它 "我的订单到哪了",它可能会回答得头头是道------订单已发货、预计三天送达、物流单号是多少。但你的订单数据存在你自己的数据库里,模型根本没见过,这些细节全是它编的。这就是纯对话模型的边界:它本质上是一个文本生成器,只能基于训练时记住的内容和你当前提供的上下文组织语言,无法主动访问外部系统。

让模型突破这层边界的机制,就是 Function Calling(工具调用)。原理说起来很直接:我们先告诉模型 "你手上有哪些工具可用、每个工具需要什么参数",模型在对话中判断出需要数据时,不再直接编答案,而是返回一个结构化的调用请求,比如 "请帮我调用 query_order,参数是 order_id = 10086"。真正执行这个调用的,是我们的应用程序;拿到数据库的真实结果后,再喂回给模型,由它组织成自然的语言回复给用户。

打个比方,大模型就像一位业务娴熟但被锁在会议室里的客服主管,他懂业务、会沟通,却摸不到电脑。Function Calling 相当于给他配了一位跑腿的助理:主管说 "去查一下 10086 号订单",助理跑腿执行,把结果带回来,主管再据此答复客户。判断 "该查什么、怎么答复" 的是模型,动手执行的始终是你的代码。

这种 "模型负责决策、程序负责执行" 的组合模式,就是 AI Agent(智能体)的雏形。Agent 听起来高大上,但拆开看,它的最小可用形态就是 Function Calling 加一个循环。本文就从零实现一个能查订单、查物流的智能客服机器人,把这套机制彻底讲透。


2 Function Calling 的核心原理

在写代码之前,必须先搞清楚一个最容易误解的点:模型从来不会真的执行函数。所谓 Function Calling,只是模型输出了一段格式严格约定好的 JSON,表示 "我想调用某个工具、参数是这些",仅此而已。解析这段 JSON、执行真正的函数、把结果回传------全部是你的应用程序的职责。理解了这一点,整个流程就清晰了。

一次完整的工具调用包含四个环节。第一步,注册工具 :在调用模型接口时,附带一份 JSON Schema 格式的工具清单,描述每个工具的名称、功能、参数类型与含义,相当于给模型发了一份 "工具使用手册"。第二步,模型决策:模型分析用户的问题,判断是直接回答还是需要查数据。若需要查数据,它会在响应中返回一个 tool_calls 字段,包含工具名和从用户话里抽取的参数值。第三步,执行工具:我们的代码解析这个请求,调用真实的函数(查数据库、调接口都行),拿到结果。第四步,回传结果:把工具的返回值以 tool 角色的消息追加到对话历史中,再次调用模型,它会基于真实数据生成最终的自然语言回答。

有几个细节值得注意。参数抽取是模型的强项------用户说 "帮我看看昨天买的那双鞋到哪了",结合上下文模型能推断出要查哪个订单,这种模糊表达到精确参数的转换,正是用大模型做 Agent 入口的价值所在。另外,整个流程可能循环多次:模型查完订单状态,可能接着要求查物流轨迹,工具调用可以串联,这正是后面代码里要写 while 循环的原因。


3 环境准备

本文实现选择 Python + OpenAI SDK 的接口风格,模型使用阿里云通义千问的 qwen-plus(它兼容 OpenAI 的 Function Calling 协议,国内可直接访问,且有免费额度)。订单数据用内存中的字典模拟,把注意力集中在工具调用机制本身;换成真实数据库时,只需修改两个工具函数的内部实现。

安装依赖并配置密钥:

bash 复制代码
pip install openai
export DASHSCOPE_API_KEY="sk-xxxxxxxxxxxxxxxx"

4 完整代码实现:订单查询机器人

需求场景:电商客服机器人,用户用自然语言提问,机器人自主决定调用哪个工具,查询真实订单数据后作答。我们提供两个工具:query_order 查订单状态与金额,query_logistics 查物流轨迹。

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

# ---------- 1. 模拟订单数据库 ----------
ORDER_DB = {
    "10086": {"status": "已发货", "item": "运动鞋", "amount": 299.0},
    "10087": {"status": "待付款", "item": "蓝牙耳机", "amount": 459.0},
}
LOGISTICS_DB = {
    "10086": [
        "11-19 20:15 杭州转运中心已发出",
        "11-20 08:40 上海转运中心已到达",
        "11-20 14:30 派送中,快递员电话 138****0000",
    ],
}

def query_order(order_id: str) -> str:
    """根据订单号查询订单状态与金额"""
    order = ORDER_DB.get(order_id)
    if order is None:
        return json.dumps({"error": f"订单 {order_id} 不存在"}, ensure_ascii=False)
    return json.dumps({"order_id": order_id, **order}, ensure_ascii=False)

def query_logistics(order_id: str) -> str:
    """根据订单号查询物流轨迹"""
    tracks = LOGISTICS_DB.get(order_id)
    if tracks is None:
        return json.dumps({"error": f"订单 {order_id} 暂无物流信息"}, ensure_ascii=False)
    return json.dumps({"order_id": order_id, "tracks": tracks}, ensure_ascii=False)

TOOL_IMPL = {"query_order": query_order, "query_logistics": query_logistics}

# ---------- 2. 向模型注册工具清单 ----------
tools = [
    {
        "type": "function",
        "function": {
            "name": "query_order",
            "description": "查询订单的状态、商品名称与金额",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {
                        "type": "string",
                        "description": "订单编号,例如 10086",
                    }
                },
                "required": ["order_id"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "query_logistics",
            "description": "查询订单的物流配送轨迹",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {
                        "type": "string",
                        "description": "订单编号,例如 10086",
                    }
                },
                "required": ["order_id"],
            },
        },
    },
]

# ---------- 3. 对话主循环 ----------
client = OpenAI(
    api_key=os.environ["DASHSCOPE_API_KEY"],
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

SYSTEM_PROMPT = "你是电商客服助手,回答订单问题前先调用工具查询真实数据,禁止编造。"

messages = [
    {"role": "system", "content": SYSTEM_PROMPT},
    {"role": "user", "content": "我那双 299 的运动鞋到哪了?"},
]

while True:
    resp = client.chat.completions.create(
        model="qwen-plus",
        messages=messages,
        tools=tools,
    )
    msg = resp.choices[0].message

    if not msg.tool_calls:          # 模型不再需要调用工具,输出最终回答
        print("客服回复:", msg.content)
        break

    messages.append(msg)            # 保留模型的调用请求,保持上下文完整
    for call in msg.tool_calls:    # 逐个执行模型请求的工具
        fn_name = call.function.name
        fn_args = json.loads(call.function.arguments)
        result = TOOL_IMPL[fn_name](**fn_args)
        print(f"[调用 {fn_name},参数 {fn_args},结果 {result}]")
        messages.append({
            "role": "tool",
            "tool_call_id": call.id,
            "content": result,
        })

运行后,模型先调用 query_order 拿到 "运动鞋、已发货",紧接着自主决定再调 query_logistics 获取轨迹,最后回复类似 "您购买的 299 元运动鞋目前已发货,最新物流状态为派送中,快递员电话 138****0000"。逐段拆解几个关键设计。

**工具清单:**description 字段是模型选择工具的唯一依据,务必写清工具 "能干什么" 而不是 "怎么实现"。用户问 "到哪了",模型靠描述区分出该调 query_logistics 而非 query_order。描述含糊是工具选错的首要原因。

**返回值序列化:**工具函数的返回值必须是字符串,我们用 json.dumps 把字典转成 JSON,并加 ensure_ascii=False 保证中文可读。结构化返回能让模型更准确地提取字段。

**while 循环:**每执行完一轮工具,就把模型的调用请求和工具结果都追加进 messages,再次发起请求。模型要么继续请求新工具,要么返回最终文本。循环终止条件就是 tool_calls 为空。这个 "模型决策、程序执行、结果回传" 的循环,就是 Agent 的心跳。

**错误也要回传:**订单不存在时,工具返回 error 字段而不是抛异常。模型读到错误信息后会自然地向用户解释 "未找到该订单",而不是让程序崩溃。让模型处理失败场景,是 Agent 稳定性的重要一环。


5 常见问题与排查思路

功能跑通只是第一步,线上 Agent 的坑主要集中在以下几处。

5.1 模型不调用工具,直接编答案

用户明明问的是订单,模型却凭训练记忆直接回答。常见原因有三:系统提示词没有约束 "必须查证后回答";工具描述写得含糊,模型认为与问题无关;或者用户的问题过于口语化,模型没识别出数据需求。对策是强化系统提示词,把工具描述写得更具体,必要时在描述中列举典型的适用问法。

5.2 模型编造参数

订单号明明是用户没提的,模型却自己填了一个。这通常发生在参数 required 声明不完整,或对话上下文里确实缺参数时。模型有强烈的 "完成任务" 倾向,宁可编一个也不留空。解法是让工具对非法输入返回明确的错误信息,模型收到后会转而向用户追问,形成自然的对话补全。

5.3 安全边界

Function Calling 让模型能触达真实系统,权限控制就必须由你的代码负责。永远不要把删除数据、修改余额这类高危操作直接暴露为工具;确有必要时,在工具函数内部加白名单校验和二次确认,而不能依赖模型的 "自觉"。记住模型只负责发起请求,批准与否的最终决定权在你手里。

5.4 多轮对话的上下文管理

真实客服场景里用户会连续追问,此时要把完整的 messages 历史保留下来,模型才能理解 "那物流呢" 里的 "那" 指代什么。历史过长时可以做截断或摘要压缩,但包含工具调用记录的消息不能随意单独删除,否则 tool_call_id 对不上会直接报接口错误。


6 进阶方向

掌握了单轮工具调用后,下一步自然是扩展工具数量与调用策略。可以引入更多业务工具(查库存、改地址、发起退款),观察模型如何在多个工具间做选择;也可以让模型一次并行请求多个工具,提升复杂任务的执行效率。再往前走,就进入了成熟的 Agent 框架的领地:LangChain 提供了 Tool、Agent 抽象,把本文手写的循环封装成了现成组件;MCP(Model Context Protocol)则定义了工具接入的标准化协议,让同一批工具可以被不同模型和不同应用复用,近两年生态发展很快。无论框架如何演进,底层永远是本文讲透的这套机制:注册工具、模型决策、程序执行、结果回传。

工具调用是大模型从 "聊天玩具" 走向 "生产力工具" 的分水岭。把这段两百行的代码跑通、改熟,你就拥有了构建任意 Agent 的地基------剩下的,不过是往这块地基上添砖加瓦。

相关推荐
ZerekZhang8 分钟前
A2A:跨服务协作与认证授权
agent·a2a
专注仿真29 分钟前
智能体训练之模仿学习:GAIL 算法详解与实战
python·算法·仿真·多智能体强化学习·afsim智能体训练
J船长41 分钟前
Agent开发 11|安全与可靠性:怎样验证执行边界?
agent
J船长41 分钟前
Agent开发 08|LLM Eval:怎么验证 Agent 的效果?
agent
J船长42 分钟前
Agent开发·阶段总结(三)|从模型调用到上线评审,串起 Agent 的运行与保障机制
agent
J船长1 小时前
Agent开发 07|RAG:如何找到并用好企业知识?
agent
J船长1 小时前
Agent开发 12|系统设计:怎样评审 Agent 的上线准备?
agent
J船长1 小时前
Agent开发 10|可观测性:怎样追踪一次任务并定位故障?
agent
J船长1 小时前
Agent开发 06|状态与恢复:任务中断后如何继续?
agent