函数调用与工具使用 入门教程

引言：为何需要函数调用与工具使用

许多 AI 模型（如 Claude、GPT 系列）最初仅能生成文本回复，无法直接与外部系统交互或执行实际操作。函数调用（Function Calling）与工具使用正是突破这一限制的关键技术，它让 AI 能够根据你的指令，主动调用预定义的 API 或函数，从而实现数据库查询、计算执行、消息发送以及与其他系统的整合。

本教程将系统地讲解函数调用的核心原理、实施步骤与常见陷阱，帮助你安全、高效地引导 AI 完成更复杂的真实世界任务。

下一步：请求与响应格式 入门教程、请求与响应格式 实用技巧

快速理解：从自然语言到结构化指令

函数调用与工具使用的本质，是让 AI 模型将自然语言请求转化为结构化的函数调用指令，而非直接生成最终答案。例如，当你说“帮我查一下上海今天的天气”时，模型不会凭空编造一个气温，而是生成类似 get_weather(city="上海") 的函数调用。开发者接收到这个调用后，执行真实的 API 请求，再将结果返回给模型，最后由模型组织成流畅的自然语言输出。

这种模式的核心价值在于：让 AI 能够访问实时、私有或经过验证的信息源，并执行需要计算或权限的操作。重要的是要理解，AI 本身并不“完成”操作，而是通过“请求”来引导外部系统工作。

准备工作：确保必要的前提条件

在编写首个函数调用之前，请确认你具备以下条件：

• 支持函数调用的模型 API 密钥：确保你的 API 密钥（来自 OpenAI、Anthropic、Google 或开源模型的同类功能）具备调用权限。不同提供商的接口定义方式存在差异，需提前查阅对应文档。
• 基础的 API 调用能力：熟悉如何通过 HTTP 请求或 SDK（如 openai Python 库）发送 Prompt 并处理返回的 JSON 数据。
• 后端 API 或函数（可选但推荐）：你需要实际执行操作的服务端点。若为本地测试，可先定义一个模拟函数（如返回字典的 Python 函数）来观察调用流程。

重要提醒：许多新手在此犯的第一个错误是跳过这些前提条件，直接复制网上的代码段运行。请务必确认你的 API 密钥所属的模型版本明确支持函数调用功能，因为早期某些模型版本并不具备此能力。

函数调用的五个操作步骤

下面以天气查询场景为例，演示完整工作流程。

第一步：定义函数/工具

你需要使用 JSON Schema 格式向模型描述你的函数，包括名称、描述及每个参数的定义。

functions = [
    {
        "name": "get_weather",
        "description": "获取指定城市的当前天气信息。",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {
                    "type": "string",
                    "description": "城市名称，例如 '北京' 或 '上海'"
                },
                "unit": {
                    "type": "string",
                    "enum": ["celsius", "fahrenheit"],
                    "description": "温度单位"
                }
            },
            "required": ["city"]
        }
    },
    # 可定义多个函数，如 'send_email', 'calculate_route'
]

关键细节：description 字段至关重要。模型依赖它来决定何时及如何调用该函数。描述需清晰、具体，包括参数的可能格式或边界值。例如，若 unit 参数不使用 enum 而仅写 "description": "温度单位"，模型可能传入 "摄氏度" 而导致后端解析失败。

第二步：发送带函数定义的初始请求

将用户消息与函数定义一起发送给模型。

import openai

messages = [{"role": "user", "content": "上海今天天气怎么样？"}]
response = openai.ChatCompletion.create(
    model="gpt-4o",  # 使用支持调用的模型
    messages=messages,
    functions=functions,
    function_call="auto"  # 让模型自行决定是否调用
)

返回的 response 对象包含 choices[0].message。若模型决定调用函数，该 message 会包含 function_call 字段，而 content 字段通常为 None。

第三步：解析函数调用请求

检查模型返回，提取函数名称和参数。

message = response["choices"][0]["message"]
if message.get("function_call"):
    function_name = message["function_call"]["name"]
    arguments = json.loads(message["function_call"]["arguments"])
    # 输出：{'city': '上海', 'unit': 'celsius'}
    print(function_name, arguments)

新手常见错误：直接对 arguments 字符串调用 json.loads()，若参数内容不规范（如缺少引号）会抛出异常。建议在解析前进行字符串清理，或使用容错性更强的解析库。这是处理模型输出时最常见的陷阱之一。

第四步：执行你的函数

用解析出的参数调用真实的业务逻辑。

def get_weather(city, unit="celsius"):
    # 模拟 API 调用，实际场景应为对真实气象服务的 HTTP 请求
    weather_data = {
        "city": city,
        "temperature": 22 if unit == "celsius" else 71,
        "condition": "晴"
    }
    return weather_data

if function_name == "get_weather":
    function_response = get_weather(**arguments)

第五步：将结果反馈给模型

将函数执行结果以 function 角色消息追加到对话历史，再次调用模型，让它用自然语言总结。

# 追加包含 function_call 的 assistant 消息
messages.append(message)
messages.append({
    "role": "function",
    "name": function_name,
    "content": json.dumps(function_response)  # 结果必须是字符串
})

# 再次请求模型进行总结
second_response = openai.ChatCompletion.create(
    model="gpt-4o",
    messages=messages
)
print(second_response["choices"][0]["message"]["content"])
# 输出：上海的当前天气为晴天，温度 22 摄氏度。

这就完成了从自然语言到工具调用，再到自然语言输出的完整循环。

结果检查清单

确认流程正确运行后，需检查以下关键点：

• 函数是否被正确调用：日志中应看到模型返回了包含正确函数名和参数的 JSON，而非直接输出文字。
• 参数值是否符合预期：特别关注枚举值（如 celsius vs 摄氏度）和大数字格式。模型有时会生成边界值。
• 多轮调用的连续性：当用户说“再查查北京的”时，模型能否复用对话上下文并生成新的调用？
• 错误处理是否完备：若后端 API 返回错误（如 {'error': 'City not found'}），模型能否理解并给出用户友好提示？

重要警告：务必先手动对比模型传入的参数与你后端 API 能接受的参数格式。许多集成失败源于后端要求 city_code 而模型只传 city_name，这应在函数定义阶段就解决。

常见问题的排查与解决

遇到问题时，优先检查以下三个方面：

1. 模型未调用函数，而是直接回答

• 检查 function_call 参数是否设置为 "auto"。若设为 "none"，模型永远不会调用函数。
• 审查函数定义中的 description 是否准确描述了工具用途。模糊或错误的描述会导致模型判断失误。

2. 解析函数参数时出错

• 建立中间处理层，在 json.loads() 前预处理模型返回的参数 JSON 字符串，如移除多余空格或转义不规范引号。
• 考虑使用更健壮的 json5 或 demjson3 库解析，它们能容忍尾部逗号或单引号等情况。

3. 处理多个函数调用的场景

• 当模型认为需要一次调用多个函数（如先查航班再查酒店房间）时，需循环处理 function_call，直到 message 中不再包含该字段。切勿漏掉任何一个调用或搞错顺序。

回滚与验证技巧：最简单的验证方法是使用模拟、无副作用的函数（如 echo(data) 直接返回输入）进行测试。如果过程正确，再切换回真实 API。这能快速隔离问题：是模型参数解析的问题，还是真实 API 本身的问题。

常见问题（FAQ）

问：函数调用与工具使用 入门教程 是什么？

答：这是一份面向开发者的操作指南，主要讲解如何定义和调用 AI 模型中的函数（工具）功能。核心流程为：编写 JSON Schema 描述函数 → 发送给模型 → 解析模型返回的结构化调用请求 → 在你的代码中执行并反馈结果。本教程适合已有基础 API 调用经验，但刚开始引入外部工具能力的用户。

问：函数调用与工具使用 入门教程 怎么操作？

答：标准流程分为五步：定义函数（用 JSON Schema） → 发送包含函数定义的初始请求 → 解析模型返回的 function_call → 执行你的函数 → 将结果反馈给模型并获取最终回复。