当前位置：首页 > news >正文

如何基于OpenAI进行Function Calling调用

news 2026/7/14 14:53:53

基于LLM进行工具调用或技能执行，是近期最热门的话题之一。

目前已经有很多LLM工具调用框架，比如langchain、openclaw、owl等。

然而，工具调用过程一般被封装在框架内，用户一般只能接触到各种配置，窥探不到调用细节。

这里尝试基于网络资料，模拟获取天气的函数，示例如何利用LLM进行Function Calling的过程。

1 环境准备

1.1 安装openai

如果尚未安装，首先安装 OpenAI 库。

pip install openai

1.2 配置openai

然后在代码中设置LLM的 API Key、Base Url，示例代码如下。

import os model_name = gpt_model_name # LLM名称,比如deepseek-r1, qwen3.5-8b os.environ['OPENAI_API_KEY'] = gpt_api_key # LLM供应商提供的api key os.environ['OPENAI_BASE_URL'] = gpt_api_url # LLM供应商提供llm访问api的url

2 工具准备

由于是模拟一个获取天气的函数，让模型在需要时调用它。

所以在实际模拟之前，需要定义工具和实现函数。

2.1 定义可用的工具

定义可用工具，在这里即指定义Function。

需要以 JSON 格式描述函数，包括函数名、描述和参数。

这里定义一个获取城市天气的函数：

tools = [ { "type": "function", "function": { "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、上海" }, "unit": { "type": "string", "enum": ["celsius", "fahrenheit"], "description": "温度单位，默认为摄氏度" } }, "required": ["city"] } } } ]

2.2 实现函数逻辑

这里通过字典实现一个及其简单的示例函数，模拟简单模拟返回一个字符串。

示例代码如下

def get_weather(city, unit="celsius"): # 模拟天气数据 weather_data = { "北京": {"celsius": "18°C 晴", "fahrenheit": "64°F 晴"}, "上海": {"celsius": "22°C 多云", "fahrenheit": "72°F 多云"}, } info = weather_data.get(city, {}).get(unit, "未知城市或单位") return f"{city}当前天气：{info}"

实际应用中，这里可以调用真实的天气 API。

3 调用示例

3.1 工具对话示例

这里发起带有 tools 的对话请求，发送用户消息，模型可能会决定是否调用函数。

对话示例代码如下。

from openai import OpenAI # 2. 初始化客户端 client = OpenAI() def chat_with_function(): messages = [{"role": "user", "content": "北京今天天气怎么样？"}] response = client.beta.chat.completions.create( model=model_name, # 或 gpt-4-turbo 等支持 function calling 的模型 messages=messages, tools=tools, tool_choice="auto", # 让模型自动决定是否调用函数 ) # 获取模型的响应 response_message = response.choices[0].message print("初始响应:", response_message) # 检查是否有工具调用请求 if response_message.tool_calls: # 将模型的响应添加到对话历史 messages.append(response_message) # 遍历所有工具调用 for tool_call in response_message.tool_calls: function_name = tool_call.function.name arguments = json.loads(tool_call.function.arguments) if function_name == "get_weather": # 调用我们实际的函数 result = get_weather(**arguments) # 将函数执行结果作为消息返回 messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": result, }) # 再次请求模型，将工具返回结果传递给模型，获得最终回答 second_response = client.beta.chat.completions.create( model=model_name, messages=messages, tools=tools, ) final_message = second_response.choices[0].message.content print("最终回答:", final_message) else: # 没有工具调用，直接输出内容 print("回答:", response_message.content) # 执行 chat_with_function()

以下是运行结果示例

初始响应: ChatCompletionMessage(content=None, refusal=None, role='assistant', annotations=None, audio=None, function_call=None, tool_calls=[ChatCompletionMessageFunctionToolCall(id='chatcmpl-tool-8078c38xxxxxxx', function=Function(arguments='{"city": "北京"}', name='get_weather'), type='function')], reasoning='用户询问北京今天的天气情况。我需要使用 get_weather 工具来获取北京的天气信息。\n\n根据工具定义：\n- city 参数是必需的，用户已经提供了"北京"\n- unit 参数是可选的，默认是摄氏度，用户没有特别指定，所以使用默认值\n\n我应该调用 get_weather 函数，参数 city 设为"北京"。\n')
最终回答:
北京今天天气晴朗，当前气温为18°C。是个不错的天气，适合外出活动！

示例完整展示了Function Calling的基本流程，可根据业务需求扩展更多函数和更复杂的逻辑。