大模型本身只会生成文字，既查不了实时天气，也算不准复杂数学。Function Calling（函数调用）让它能”请求”调用你写好的工具：模型判断该用哪个函数、给出参数，你的程序执行后把结果喂回去。这是所有 AI Agent 的地基，这篇教程用 OpenAI 兼容接口完整实现一次。

工作原理

模型并不真的执行代码，它只输出”我想调用哪个函数、传什么参数”，执行由你的程序完成：

前置准备

pip install openai

并设置好 OPENAI_API_KEY 环境变量（参考「如何调用大模型 API」那篇）。

步骤一：写好要暴露的工具函数

先实现真正的功能，这里用查天气做示例：

def get_weather(city: str) -> str:
    # 实际项目里应调用真实天气 API
    fake_data = {"北京": "晴，25℃", "上海": "多云，28℃"}
    return fake_data.get(city, "暂无该城市数据")

步骤二：用 JSON Schema 描述工具

模型靠这段描述来决定何时、如何调用。描述越清楚，调用越准：

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询指定城市的当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名，如 北京"}
                },
                "required": ["city"],
            },
        },
    }
]

步骤三：发起请求，接收调用意图

把用户问题和工具清单一起发给模型：

import os, json
from openai import OpenAI

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
messages = [{"role": "user", "content": "北京今天天气怎么样？"}]

resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=messages,
    tools=tools,
)
msg = resp.choices[0].message

如果模型决定调用工具，msg.tool_calls 就不为空。

步骤四：执行函数并回填结果

解析出函数名和参数，执行真实函数，再把结果作为一条新消息发回：

if msg.tool_calls:
    messages.append(msg)  # 先存入模型的调用请求
    for call in msg.tool_calls:
        name = call.function.name
        args = json.loads(call.function.arguments)
        result = get_weather(**args)   # 真正执行
        messages.append({
            "role": "tool",
            "tool_call_id": call.id,
            "content": result,
        })

步骤五：让模型生成最终回答

带着工具结果再请求一次，模型就会用自然语言总结：

final = client.chat.completions.create(
    model="gpt-4o-mini", messages=messages, tools=tools)
print(final.choices[0].message.content)
# 输出：北京今天是晴天，气温 25℃。

步骤六：封装成通用循环

把上面串起来，支持模型连续调用多个工具：

AVAILABLE = {"get_weather": get_weather}

def run_agent(user_input):
    messages = [{"role": "user", "content": user_input}]
    while True:
        resp = client.chat.completions.create(
            model="gpt-4o-mini", messages=messages, tools=tools)
        msg = resp.choices[0].message
        if not msg.tool_calls:
            return msg.content          # 不再需要工具，返回答案
        messages.append(msg)
        for call in msg.tool_calls:
            fn = AVAILABLE[call.function.name]
            result = fn(**json.loads(call.function.arguments))
            messages.append({"role": "tool", "tool_call_id": call.id,
                             "content": str(result)})

print(run_agent("北京和上海哪个更热？"))

它的循环判断逻辑：

注意事项

  • 工具描述是关键，写不清模型就不会用或用错
  • 参数要做校验，模型偶尔会给出不合法的值
  • 工具权限越大风险越高，涉及删除、支付等要加确认
  • 多轮调用会累积 token，注意成本和超时

小结

Function Calling 的精髓是一个循环：模型提出调用意图 → 程序执行 → 结果回填 → 模型继续，直到不需要工具为止。掌握它，你就理解了 AI Agent”能干活”的底层机制，后续接入搜索、数据库、代码执行都是同一套路子。