当前位置：首页 > news >正文

程序员转行学习 AI 大模型： Function Calling ｜附清晰业务流程示例

news 2026/3/27 3:28:09

本文是程序员转行学习AI大模型的第13个核心知识点笔记，附清晰业务流程示例。
当前阶段：还在学习知识点，由点及面，从 0 到 1 搭建 AI 大模型知识体系中。
系列更新，关注我，后续会持续记录分享转行经历～

原理

Function Calling，可以让模型通过调用外部工具，来增强自身能力。

使用 Function Calling，获取用户当前位置的天气信息示例：

fromopenaiimportOpenAIdefsend_messages(messages):response=client.chat.completions.create(model="deepseek-chat",messages=messages,tools=tools)returnresponse.choices[0].message client=OpenAI(api_key="<your api key>",base_url="https://api.deepseek.com",)tools=[{"type":"function","function":{"name":"get_weather","description":"Get weather of a location, the user should supply a location first.","parameters":{"type":"object","properties":{"location":{"type":"string","description":"The city and state, e.g. San Francisco, CA",}},"required":["location"]},}},]messages=[{"role":"user","content":"How's the weather in Hangzhou, Zhejiang?"}]message=send_messages(messages)print(f"User>\t{messages[0]['content']}")tool=message.tool_calls[0]messages.append(message)messages.append({"role":"tool","tool_call_id":tool.id,"content":"24℃"})message=send_messages(messages)print(f"Model>\t{message.content}")

上述代码执行流程：

用户：查询现在的天气；
模型：返回 functionget_weather（{location:‘Hangzhou’}）
用户：调用 functionget_weather（{location:‘Hangzhou’}），并传给模型
模型：返回自然语言，“The current temperature in Hangzhou is 24°C.”

注：上述代码中 get_weather 函数功能需由用户提供，模型本身不执行具体函数。

""" Function Calling中的函数实现位置： 1. 函数定义（JSON Schema）：传给LLM，告诉LLM有哪些函数 2. 函数实现（Python代码）：在开发者代码中，由开发者手动调用 """importopenaiimportjsonimportrequests# ========================================# 步骤1：定义函数（JSON Schema）# ========================================# 这个定义传给LLM，告诉LLM有哪些函数可用functions=[{"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"]}}]# ========================================# 步骤2：实现具体函数（Python代码）# ========================================# 这个函数在开发者代码中实现，由开发者手动调用defget_weather(city:str)->dict:""" 具体函数实现 注意：这个函数不在LLM中，而是在开发者代码中！ """# 函数内部调用外部APIapi_url=f"https://api.weather.com/v1/current?city={city}"try:# 调用外部天气APIresponse=requests.get(api_url)weather_data=response.json()return{"status":"success","temperature":weather_data["temp"],"condition":weather_data["condition"]}exceptExceptionase:return{"status":"error","message":str(e)}# ========================================# 步骤3：调用LLM# ========================================# 将函数定义传给LLMresponse=openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role":"user","content":"北京今天天气怎么样？"}],functions=functions,# 传入函数定义（JSON Schema）function_call="auto"# 让LLM自动决定是否调用函数)# ========================================# 步骤4：检查LLM是否要调用函数# ========================================ifresponse.choices[0].message.get("function_call"):# LLM决定调用函数function_call=response.choices[0].message.function_call function_name=function_call.name function_args=json.loads(function_call.arguments)print(f"LLM决定调用函数:{function_name}")print(f"LLM传递的参数:{function_args}")# ========================================# 步骤5：开发者手动调用函数# ========================================# 注意：这里不是LLM调用函数，而是开发者手动调用！result=get_weather(function_args["city"])print(f"函数执行结果:{result}")# ========================================# 步骤6：将结果返回给LLM# ========================================second_response=openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role":"user","content":"北京今天天气怎么样？"},{"role":"assistant","content":None,"function_call":function_call},{"role":"function","name":function_name,"content":str(result)}])print(f"LLM最终回答:{second_response.choices[0].message.content}")""" 总结： 1. 函数定义（JSON Schema）→ 传给LLM，告诉LLM有哪些函数 2. 函数实现（Python代码）→ 在开发者代码中，由开发者手动调用 3. LLM的作用 → 分析是否需要调用函数，生成函数调用请求 4. 开发者的作用 → 手动调用函数，将结果返回给LLM """

LLM 的角色和职责

""" LLM的角色： 1. 分析用户问题 2. 判断是否需要调用函数 3. 生成函数调用请求（JSON格式） 4. 接收函数执行结果 5. 基于结果生成最终回答 LLM不做的： 1. 不执行函数 2. 不调用外部API 3. 不处理函数逻辑 """ # LLM做的事情： # 1. 分析 user_input = "北京今天天气怎么样？" llm_analysis = "用户想查询北京天气" # 2. 判断 llm_decision = "需要调用get_weather函数" # 3. 生成请求 llm_request = { "function_call": { "name": "get_weather", "arguments": '{"city": "北京"}' } } # 4. 接收结果 llm_input = { "function_result": { "status": "success", "temperature": 25, "condition": "晴" } } # 5. 生成回答 llm_output = "根据天气API，北京今天天气晴，温度25°C" """ LLM只负责分析和生成，不负责执行！ """

开发者的角色和职责

""" 开发者的角色： 1. 定义函数（JSON Schema） 2. 实现具体函数（Python代码） 3. 调用LLM 4. 解析LLM响应 5. 手动调用函数 6. 将结果返回给LLM 开发者做的： 1. 实现函数逻辑 2. 调用外部API 3. 处理错误和重试 4. 管理数据流 """ # 开发者做的事情： # 1. 定义函数 functions = [ { "name": "get_weather", "description": "获取指定城市的天气信息", "parameters": {...} } ] # 2. 实现函数 def get_weather(city: str) -> dict: # 调用外部API response = requests.get(f"https://api.weather.com/v1/current?city={city}") return response.json() # 3. 调用LLM response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[...], functions=functions ) # 4. 解析响应 if response.choices[0].message.get("function_call"): function_call = response.choices[0].message.function_call function_args = json.loads(function_call.arguments) # 5. 手动调用函数 result = get_weather(function_args["city"]) # 6. 返回结果给LLM second_response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[ ..., {"role": "function", "name": function_name, "content": str(result)} ] ) """ 开发者负责实现和调用函数！ """

完整天气查询示例

importopenaiimportjsonimportrequests# ========================================# 1. 定义函数（JSON Schema）# ========================================# 这个定义传给LLM，告诉LLM有哪些函数可用functions=[{"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"]}}]# ========================================# 2. 实现具体函数（Python代码）# ========================================# 这个函数在开发者代码中实现defget_weather(city:str)->dict:""" 获取天气信息 注意：这个函数在开发者代码中实现！ """# 调用外部天气API# 这里调用的是真实的天气APIapi_url=f"https://api.weather.com/v1/current?city={city}"try:# 调用外部APIprint(f"正在调用外部API:{api_url}")response=requests.get(api_url)weather_data=response.json()return{"status":"success","temperature":weather_data["temp"],"condition":weather_data["condition"],"humidity":weather_data["humidity"]}exceptExceptionase:return{"status":"error","message":f"API调用失败:{str(e)}"}# ========================================# 3. 调用LLM# ========================================print("=== 步骤1：调用LLM ===")response=openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role":"user","content":"北京今天天气怎么样？"}],functions=functions,# 传入函数定义function_call="auto"# 让LLM自动决定)print(f"LLM响应:{response.choices[0].message}")# ========================================# 4. 检查LLM是否要调用函数# ========================================ifresponse.choices[0].message.get("function_call"):print("\n=== 步骤2：LLM决定调用函数 ===")function_call=response.choices[0].message.function_call function_name=function_call.name function_args=json.loads(function_call.arguments)print(f"函数名:{function_name}")print(f"函数参数:{function_args}")# ========================================# 5. 开发者手动调用函数# ========================================print("\n=== 步骤3：开发者手动调用函数 ===")result=get_weather(function_args["city"])print(f"函数执行结果:{result}")# ========================================# 6. 将结果返回给LLM# ========================================print("\n=== 步骤4：将结果返回给LLM ===")second_response=openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role":"user","content":"北京今天天气怎么样？"},{"role":"assistant","content":None,"function_call":function_call},{"role":"function","name":function_name,"content":str(result)}])print(f"LLM最终回答:{second_response.choices[0].message.content}")""" 输出示例： === 步骤1：调用LLM === LLM响应: { "function_call": { "name": "get_weather", "arguments": '{"city": "北京"}' } } === 步骤2：LLM决定调用函数 === 函数名: get_weather 函数参数: {"city": "北京"} === 步骤3：开发者手动调用函数 === 正在调用外部API: https://api.weather.com/v1/current?city=北京 函数执行结果: { "status": "success", "temperature": 25, "condition": "晴", "humidity": 45 } === 步骤4：将结果返回给LLM === LLM最终回答: 根据天气API，北京今天天气晴，温度25°C，湿度45% """

Function Calling 工作流程

开发者代码： 1. 定义函数（JSON Schema）→ 传给LLM 2. 实现函数（Python代码）→ 在开发者代码中 3. 调用LLM → 传入函数定义 4. 解析LLM响应 → 检查是否要调用函数 5. 手动调用函数 → 调用开发者实现的函数 6. 将结果返回给LLM → 生成最终回答 LLM： 1. 分析用户问题 2. 判断是否需要调用函数 3. 生成函数调用请求（JSON格式） 4. 接收函数执行结果 5. 基于结果生成最终回答 外部API： 1. 被开发者实现的函数调用 2. 返回数据给函数 3. 函数将数据返回给开发者

Function Calling = LLM 分析 + 开发者执行