当前位置：首页 > news >正文

AI请你喝奶茶？背后其实是Function Calling

news 2026/3/27 2:31:18

Function Calling

最近，千问“请大家喝奶茶”火了一把，这背后是一次真实的接口调用。
AI它不是在聊天，而是在“调接口[下单系统]”。这种能力，就叫Function Calling。
当大模型从“生成文本”升级为“调用工具”，AI 才真正开始从对话助手，变成执行系统。

Function Calling的步骤

一

Function Calling 的完整流程包括以下步骤：

定义工具（tools）：告诉 AI 你有哪些函数/工具可以调用，每个函数的参数是什么
第一次调用大模型API[如何调用大模型API]：AI 分析用户输入，决定是否需要调用函数/工具
检查响应：如果 AI 返回了tool\_calls，说明它想调用函数/工具
执行函数/工具：根据 AI 的请求，执行实际的函数调用
第二次调用大模型API：将函数/工具执行结果返回给 AI
AI 生成最终回复：结合函数/工具结果，生成用户可读的回答

完整示例：天气查询工具

二

2.1 定义工具——调用get_weather API查询天气

#定义工具 tools = [ { "type": "function", "function":{ "name": "get_weather", "description": "获取指定城市的实时天气信息", "parameters":{ "type": "object", "properties": { "city": { "type": "string", "description": "城市名称，例如：北京、上海" }, "unit": { "type": "string", "enum": ["celsius","fahrenheit"], "description":"温度单位：celsius（摄氏度）或fahrenheit（华氏度）" } }, "required": ["city"] #city是必填参数 } } } ] print("工具schema已定义") #这里我们自己定义下get_weather工具[实际使用时我们调用天气API] def get_weather(city: str, unit: str = "celsius") -> str: """ 获取指定城市的天气信息（Mock函数，实际调用天气API） Args: city: 城市名称 unit: 温度单位（celsius或fahrenheit） Returns: 天气信息的JSON字符串 """ #模拟天气数据 weather_data = { "北京": {"temperature": 15, "condition": "晴天", "humidity": 45}, "上海": {"temperature": 20, "condition": "多云", "humidity": 60}, "深圳": {"temperature": 28, "condition": "小鱼", "humidity": 75}, } #检查城市是否存在于模拟数据中 if city in weather_data: data = weather_data[city] if unit == 'fahrenheit': data['temperature'] = int(data['temperature'] * 9/5 + 32) return json.dumps({ "city": city, "temperature": data["temperature"], "unit": unit, "condition": data["condition"], "humidity": data["humidity"] }, ensure_ascii = False) else: return json.dumps({"error": f"未找到 {city} 的天气数据"}, ensure_ascii = False) print("测试天气查询函数:") print(get_weather('北京')) print(get_weather('上海', 'fahrenheit'))

2.2 第一次调用大模型API

import json import os from openai import OpenAI from dotenv import load_dotenv load_dotenv(override=True) client = OpenAI( api_key = os.getenv("DASHSCOPE_API_KEY"), base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1") #用户提问 user_query = "北京现在的天气怎么样？" #初始化信息 messages = [ {"role": "system", "content": "你是一个友好的天气助手，可以查询天气信息。"}, {"role": "user", "content": user_query} ] print(f"用户: {user_query}\n") #第一次调用：让AI决定是否需要调用工具 response = client.chat.completions.create( model = 'deepseek-v3.2', messages = messages, tools = tools, #传递工具定义 tool_choice = 'auto' #"auto"为自动决定 )

2.3 检查AI的响应：是否想调用函数/工具

if response.choices[0].message.tool_calls: print('AI决定调用工具：') #提取工具调用信息 tool_call = response.choices[0].message.tool_calls[0] function_name = tool_call.function.name function_args = json.loads(tool_call.function.arguments) print(f" 函数名: {function_name}") print(f" 参数: {function_args}")

2.4 执行函数/工具：根据 AI 的请求，执行实际的函数调用

if function_name == 'get_weather': function_result = get_weather(**function_args) print(f"函数执行结果：{function_result}\n")

2.5-2.6：第二次调用大模型API，AI生成最终回复

#将函数结果添加到消息历史 messages.append(response.choices[0].message) #AI的工具调用请求 messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": function_result }) # 第二次调用：让AI根据函数结果生成最终回复 final_response = client.chat.completions.create( model = 'deepseek-v3.2', messages = messages ) final_answer = final_response.choices[0].message.content print(f"AI 最终回复：{final_answer}")