一、理解 Function Calling 的概念

Function Calling（函数调用）是大模型的 “工具使用能力”—— 简单说：

• 过去大模型只能 “聊天”，遇到需要计算、查实时数据、调用 API 的需求（比如 “查今天北京的天气”“算 123*456”），要么瞎编，要么做不了；
• 有了 Function Calling，大模型可以主动调用外部函数 / 工具（比如天气 API、计算器函数），拿到结果后再整理成自然语言回答你。

通俗类比：大模型是 “办公室助理”，Function Calling 是 “助理可以打电话 / 查电脑 / 用计算器” 的权限，让助理从 “只能聊天” 变成 “能做事”。

二、理解 Function Calling 的工作原理

核心流程分 4 步，像 “助理接任务→选工具→用工具→汇报结果”：

1. 用户提问：比如 “北京今天气温多少？”
2. 大模型判断 “需要调用工具”：大模型分析问题后，发现 “查实时天气” 自己做不了，得调用 “天气查询函数”；
3. 大模型生成 “函数调用请求”：按函数的要求传参数（比如函数需要 “城市名”，大模型就自动提取 “北京” 作为参数），生成类似 get_weather(city="北京") 的请求；
4. 执行函数 + 返回结果：外部系统执行 get_weather 函数，拿到 “北京今天气温 - 5℃”，再把结果传给大模型；
5. 大模型整理回答：把函数返回的结果转成自然语言（比如 “北京今天的气温是 - 5℃，注意保暖哦～”）。

关键：大模型负责 “判断是否调用工具 + 传什么参数”，工具负责 “执行并返回结果”。

三、实战使用 OpenAI 提供的 Function Calling 接口（基础请求及优化）

以 OpenAI 的 GPT-3.5/4 为例，用 Python 实现 “查天气” 的 Function Calling：

1. 基础请求步骤

步骤 1：定义函数（告诉大模型 “有什么工具可用”）

先给大模型 “注册” 工具：说明函数名、功能、参数格式（类似 “给助理一份工具清单”）。

# 定义要给大模型用的函数（这里模拟天气查询函数）
def get_weather(city: str) -> str:
    """查询指定城市的实时气温"""
    # 实际场景是调用天气API，这里模拟返回结果
    return f"{city}今天的气温是-5℃"

# 把函数信息告诉大模型（按OpenAI的格式要求）
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询指定城市的实时气温",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名称，比如北京"}
                },
                "required": ["city"]  # 必须传的参数
            }
        }
    }
]

步骤 2：调用大模型，触发函数调用

from openai import OpenAI
import json

client = OpenAI(api_key="你的API密钥")

# 用户提问
user_query = "北京今天气温多少？"

# 1. 先让大模型判断是否调用工具
response = client.chat.completions.create(
    model="gpt-3.5-turbo-1106",  # 注意：只有新模型支持Function Calling
    messages=[{"role": "user", "content": user_query}],
    tools=tools,  # 把工具清单传给大模型
    tool_choice="auto"  # 让大模型自动决定是否调用工具
)

# 2. 提取大模型的工具调用请求
response_message = response.choices[0].message
tool_calls = response_message.tool_calls

# 3. 如果大模型决定调用工具，执行函数
if tool_calls:
    # 遍历所有工具调用（可能调用多个函数）
    for tool_call in tool_calls:
        function_name = tool_call.function.name
        function_args = json.loads(tool_call.function.arguments)
        
        # 执行对应的函数
        if function_name == "get_weather":
            weather_result = get_weather(**function_args)  # 传参：city="北京"

    # 4. 把函数结果再传给大模型，让它整理回答
    final_response = client.chat.completions.create(
        model="gpt-3.5-turbo-1106",
        messages=[
            {"role": "user", "content": user_query},
            response_message,  # 大模型之前的工具调用请求
            {
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": weather_result  # 函数返回的结果
            }
        ]
    )
    print("回答：", final_response.choices[0].message.content)

运行结果

回答：北京今天的气温是-5℃，天气比较寒冷，外出建议做好保暖措施~

2. 优化技巧

• 指定tool_choice：如果强制大模型调用某个函数，用tool_choice={"type": "function", "function": {"name": "get_weather"}}；
• 优化函数描述：函数的description要清晰（比如 “查询城市的实时气温和天气状况”），避免大模型误解；
• 处理多工具调用：如果有多个函数（比如get_weather+get_air_quality），大模型会自动选择需要的工具；
• 参数校验：在执行函数前，校验大模型传的参数（比如city是否为空），避免函数报错。

四、探讨自定义 Function 的可能性

自定义 Function 的核心是 “把任何你能写的代码，都变成大模型的工具”，常见场景：

1. 调用企业内部 API：比如 “查公司员工的考勤记录”“查订单的物流状态”；
2. 操作数据库：比如 “查近 7 天的销售数据”（写 SQL 查询函数）；
3. 执行本地脚本：比如 “批量处理 Excel 文件”“生成周报 PPT”；
4. 调用第三方服务：比如 “订机票”“查股票行情”“翻译文档”。

限制：只要你的函数能接收参数、返回结果，就能给大模型用 —— 相当于给大模型开了 “操作现实世界” 的权限。

五、探讨 Function Calling 在大模型应用场景中带来的 “质变”

Function Calling 让大模型从 “聊天机器人” 升级为 “智能助手”，带来 3 个核心质变：

1. 解决 “知识过期” 问题：大模型训练数据是固定的，但 Function Calling 可以查实时数据（比如 “查 2025 年最新的 iPhone 价格”）；
2. 解决 “不会计算 / 逻辑” 问题：大模型算复杂数学题容易错，但可以调用计算器函数（比如 “算 12345*67890”）；
3. 解决 “无法操作工具” 问题：大模型可以主动调用 API、数据库、脚本，完成实际任务（比如 “帮我订明天去上海的高铁票”）。

典型场景案例：

• 智能客服：调用 “订单查询 API”+“退款申请 API”，直接帮用户处理售后；
• 数据分析助手：调用 “SQL 查询函数”+“图表生成函数”，自动生成销售报表；
• 个人助理：调用 “日历 API”+“天气 API”，提醒用户 “明天北京下雨，记得带伞，且有 9 点的会议”。

最后总结：Function Calling 是大模型从 “能说” 到 “能做” 的关键能力，也是现在 AI 应用（比如 Copilot、智能体）的核心技术之一 —— 掌握它，就能搭建出真正能 “解决实际问题” 的大模型应用。