Function Calling深度解析：Agent调用工具的底层原理与代码实战 🔧

导读：Function Calling是AI Agent的核心能力——没有它，Agent就只是一个"只会说不会做"的聊天机器人。今天我们从底层原理到代码实战，彻底搞懂Function Calling的工作机制。学完这篇，你就能自己设计任何复杂的工具系统！💪

---

一、Function Calling是什么？一句话讲透 🎯

Function Calling = 让大模型能够"结构化地"调用外部函数/工具的能力。

什么意思？看这个对比：

方式	示例	问题
❌ 没有Function Calling	模型输出：“我建议你去搜索一下北京天气”	只是文字建议，不会真的去搜索
✅ 有Function Calling	模型输出：{"name": "get_weather", "args": {"city": "北京"}}	结构化指令，系统会真的调用天气API

---

二、Function Calling的完整工作流程 🔄

2.1 六步工作流

2.2 每一步详解

步骤	执行者	动作	关键技术
1	用户	发送自然语言请求	-
2	大模型	判断是否需要工具	意图识别
3	大模型	生成结构化调用请求	JSON Schema
4	系统	解析并执行函数	函数路由
5	外部API	返回执行结果	API调用
6	大模型	基于结果生成回答	结果整合

---

三、工具定义的JSON Schema详解 📋

Function Calling的核心是工具定义。模型通过阅读工具定义来了解：

• 有哪些工具可用
• 每个工具做什么
• 需要什么参数

3.1 一个完整的工具定义

{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "获取指定城市的当前天气信息，包括温度、天气状况、湿度和风速。",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {
                    "type": "string",
                    "description": "城市名称，如'北京'、'上海'"
                },
                "unit": {
                    "type": "string",
                    "enum": ["celsius", "fahrenheit"],
                    "description": "温度单位，默认为celsius"
                }
            },
            "required": ["city"]
        }
    }
}

3.2 Schema各字段说明

字段	作用	重要程度	说明
name	工具名称	⭐⭐⭐⭐⭐	模型通过名称选择工具，必须简洁明确
description	工具描述	⭐⭐⭐⭐⭐	模型通过描述理解工具用途，越详细越好
parameters	参数定义	⭐⭐⭐⭐⭐	模型根据参数定义生成正确的调用参数
required	必填参数	⭐⭐⭐⭐	告诉模型哪些参数是必须的
enum	参数取值范围	⭐⭐⭐	限制参数取值，减少错误

⭐ 重点：description是灵魂！ 模型完全靠description来决定什么时候用这个工具。写得不好，模型就选不对。

---

四、代码实战：从零实现Function Calling 💻

4.1 原生OpenAI API实现

import json
from openai import OpenAI

client = OpenAI()

# Step 1: 定义工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称"
                    }
                },
                "required": ["city"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "执行数学计算",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {
                        "type": "string",
                        "description": "数学表达式，如 '2 + 3 * 4'"
                    }
                },
                "required": ["expression"]
            }
        }
    }
]

# Step 2: 定义实际的函数实现
def get_weather(city: str) -> str:
    """实际的天气查询逻辑（这里简化为模拟）"""
    weather_data = {
        "北京": "晴天，25°C，湿度40%",
        "上海": "多云，22°C，湿度65%",
        "广州": "小雨，28°C，湿度80%",
    }
    return weather_data.get(city, f"暂无{city}的天气数据")

def calculate(expression: str) -> str:
    """实际的计算逻辑"""
    try:
        result = eval(expression, {"__builtins__": {}}, {})
        return f"{expression} = {result}"
    except Exception as e:
        return f"计算错误: {e}"

# 函数映射表
function_map = {
    "get_weather": get_weather,
    "calculate": calculate,
}

# Step 3: 发送请求
messages = [{"role": "user", "content": "北京今天天气怎么样？顺便帮我算一下25摄氏度等于多少华氏度"}]

response = client.chat.completions.create(
    model="gpt-4o",
    messages=messages,
    tools=tools,
)

# Step 4: 处理工具调用
message = response.choices[0].message

if message.tool_calls:
    # 将模型的回复加入消息历史
    messages.append(message)
    
    # 逐个执行工具调用
    for tool_call in message.tool_calls:
        func_name = tool_call.function.name
        func_args = json.loads(tool_call.function.arguments)
        
        # 调用对应的函数
        result = function_map[func_name](**func_args)
        
        # 将工具结果返回给模型
        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": result
        })
    
    # Step 5: 让模型基于工具结果生成最终回答
    final_response = client.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        tools=tools,
    )
    
    print(final_response.choices[0].message.content)
    # 输出：北京今天是晴天，气温25°C。25°C等于77°F。

4.2 LangChain方式实现（更简洁）

from langchain.tools import tool
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent

# 用@tool装饰器定义工具（更Pythonic）
@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息。当用户询问天气时使用。
    
    Args:
        city: 城市名称，如'北京'、'上海'
    """
    weather_data = {
        "北京": "晴天，25°C，湿度40%",
        "上海": "多云，22°C，湿度65%",
    }
    return weather_data.get(city, f"暂无{city}的天气数据")

@tool
def calculate(expression: str) -> str:
    """执行数学计算。当需要精确计算时使用。
    
    Args:
        expression: 数学表达式
    """
    return f"{expression} = {eval(expression, {'__builtins__': {}}, {})}"

# 创建Agent（自动处理Function Calling的整个流程）
agent = create_react_agent(
    model=ChatOpenAI(model="gpt-4o"),
    tools=[get_weather, calculate],
)

# 直接调用，框架自动处理工具调用循环
result = agent.invoke({
    "messages": [("user", "北京天气怎么样？算一下25°C等于多少°F")]
})

💡 对比：LangChain帮你封装了所有繁琐的循环逻辑，你只需要定义工具和Agent，剩下的框架自动搞定。

---

五、并行工具调用 ⚡

当用户的一个请求需要调用多个工具时，模型可以一次性返回多个工具调用请求：

5.1 并行调用流程

5.2 并行调用代码

# 模型可能一次返回多个tool_calls
# message.tool_calls = [
#     ToolCall(name="get_weather", args={"city": "北京"}, id="call_1"),
#     ToolCall(name="get_weather", args={"city": "上海"}, id="call_2"),
# ]

# 并行执行所有工具调用
import concurrent.futures

def execute_tool_calls(tool_calls):
    """并行执行多个工具调用"""
    with concurrent.futures.ThreadPoolExecutor() as executor:
        futures = {}
        for tc in tool_calls:
            func = function_map[tc.function.name]
            args = json.loads(tc.function.arguments)
            futures[tc.id] = executor.submit(func, **args)
        
        results = {}
        for tc_id, future in futures.items():
            results[tc_id] = future.result()
    
    return results

---

六、高级技巧：动态工具注册 🔄

6.1 根据上下文动态选择工具

def get_tools_for_context(user_role):
    """根据用户角色动态选择可用工具"""
    base_tools = [search, calculate]  # 所有人都有
    
    role_tools = {
        "admin": [delete_data, manage_users],     # 管理员额外工具
        "analyst": [query_db, export_report],     # 分析师额外工具
        "viewer": [],                              # 访客无额外工具
    }
    
    return base_tools + role_tools.get(user_role, [])

# 使用
admin_agent = create_react_agent(
    model=llm,
    tools=get_tools_for_context("admin"),
)

6.2 工具注册策略对比

策略	适用场景	优点	缺点
静态注册	工具数量少（<10）	简单直接	工具多了模型选不准
动态注册	工具数量多（>10）	按需加载，准确率高	需要额外的路由逻辑
分层注册	复杂系统	结构清晰	实现复杂

---

七、常见问题与解决方案 🐛

问题	原因	解决方案
🔴 模型不调用工具	工具描述不够明确	在description中加"当…时使用"
🔴 模型选错工具	工具描述太相似	让每个工具的描述更独特
🔴 参数格式错误	参数描述不清晰	在description中给出示例
🔴 无限循环调用	缺少终止条件	设置max_iterations
🔴 工具返回太长	没有限制输出	在工具中截断输出

---

八、本期小结 📝

知识点	核心内容
什么是Function Calling	让模型结构化地调用外部工具
工作流程	用户提问→模型判断→生成调用→执行→返回结果→生成回答
工具定义	name + description + parameters（JSON Schema）
关键要点	description是灵魂，required要标对，enum限制取值
框架选择	原生API灵活但繁琐，LangChain简洁且高效

🔥 Function Calling是Agent从"能说"到"能做"的关键桥梁。掌握它，你就掌握了Agent开发的核心技能！

---

📢 下期预告：《多模态Agent来了！让你的智能体同时"看"图、"听"音、"读"视频》—— Agent不只是处理文字，还能看图片、听语音！下期解锁多模态Agent！🖼️🎵

---

📌 三连走起！Function Calling，Agent的灵魂技能！ 💪

📚 专栏第7/24期，大模型基座篇接近尾声！

作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 交叉领域。

👍 如果觉得有帮助，请点赞、收藏、转发！
版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为)。
🔔 关注专栏，不错过后续精彩内容