企业官网建设流程全解析

1. 项目概述：当你的聊天机器人学会“打电话”

想象一下，你正在和一个AI助手聊天，随口说了一句：“帮我查一下纽约现在的天气，如果下雨就提醒我带伞。”在过去，这几乎是一个不可能完成的任务。因为像GPT这样的语言模型，本质上是一个“知识渊博的健谈者”，它的知识截止于训练数据，无法感知实时数据，更无法操作外部系统。它可能会根据历史数据编造一个天气，或者礼貌地告诉你它做不到。

但现在，情况变了。OpenAI为GPT模型引入了一项名为“函数调用”（Function Calling）的能力。这就像给这位健谈者装上了一部“电话”和一双“手”。它依然负责理解和生成自然语言，但当它判断需要获取外部信息或执行某个动作时，它会“拿起电话”，按照你预先定义好的格式，向你（或者说，你的程序）发出一个清晰的指令：“请执行函数get_weather，参数是location=New York。”你的程序执行完毕，将结果（比如{“temperature”: 15, “condition”: “rainy”}）回传给它，它再把这个结果组织成一句人话告诉你：“纽约现在正在下雨，气温15度，建议您带伞出门。”

这就是函数调用的核心：让大语言模型（LLM）从“世界的描述者”转变为“世界的交互者”。它不再仅仅基于静态知识库回答问题，而是能主动触发外部工具，获取实时数据、操作数据库、调用API，甚至控制智能家居。本文，我将以一个资深开发者的视角，带你彻底吃透GPT函数调用。我们将从原理拆解开始，一步步构建一个能获取全球实时新闻的AI助手——NewsGPT，并深入探讨其中的设计哲学、实战技巧和那些官方文档里不会写的“坑”。

2. 函数调用核心原理与设计哲学

在深入代码之前，我们必须先理解函数调用背后的“为什么”。这决定了我们如何设计系统，以及如何规避潜在的问题。

2.1 传统LLM增强方式的瓶颈

在函数调用出现之前，我们主要有两种方式来扩展GPT的能力：

1. 微调（Fine-tuning）这是一种“重塑大脑”的方式。通过提供大量特定领域的问答对，重新训练模型权重，让它更擅长某个垂直领域。例如，用大量的法律文书QA对微调一个模型，让它成为法律专家。这种方式效果强大且持久，但成本极高（数据准备、训练费用），迭代缓慢，并且对于GPT-3.5/4这类闭源大模型，微调功能并非随时可用或面向所有用户开放。

2. 提示词工程与嵌入（Prompt Engineering & Embeddings）这是一种“扩充短期记忆”的方式。我们把相关背景知识（如产品文档、公司制度）通过向量数据库检索出来，作为上下文（Context）塞进每次对话的提示词（Prompt）里。这就像在考试时允许学生带一张小抄。这种方式灵活、低成本，但有两个致命缺点：一是“小抄”有长度限制（Token限制），信息量有限；二是大量无关的上下文会挤占模型用于思考的Token，增加成本并可能降低回答质量。

这两种方式都像是在一个封闭的房间里想办法：要么重新装修房间（微调），要么从门缝里塞纸条（提示词工程）。而函数调用，则是在墙上开了一扇门。

2.2 函数调用：为模型打开通往外部世界的大门

函数调用的工作流程，是一个典型的“感知-决策-执行-反馈”循环：

1. 感知（用户输入）：用户提出一个需求，例如“预订一家附近的泰国餐厅”。
2. 决策（模型推理）：GPT模型分析这句话，理解其意图是“寻找并预订餐厅”。它发现自己的知识库（训练数据）里没有实时餐厅信息和预订能力。
3. 行动规划（函数调用请求）：此时，它不会说“我做不到”，而是会查看你预先告知它的“能力清单”（即函数定义列表）。它发现清单里有一个叫search_restaurants的函数和一个book_reservation的函数。于是，它生成一个结构化的请求：调用函数 search_restaurants，参数为 {“cuisine”: “Thai”, “location”: “current_location”}。
4. 执行（你的代码）：你的应用程序接收到这个请求，解析参数，调用真实的外部API（如Yelp、Google Places）进行搜索，拿到结果。
5. 反馈与整合：你将API返回的原始数据（JSON格式的餐厅列表）以“函数执行结果”的身份，再次发送给GPT模型。
6. 生成响应：GPT模型结合最初的用户问题、它自己发出的函数调用请求、以及函数返回的真实数据，组织成一段自然、连贯的回复：“我为您找到了三家附近的泰国餐厅，其中‘蓝象餐厅’评分最高，需要我为您进行预订吗？”

这个过程中，GPT的核心价值发生了转变：从“信息的生产者”变成了“信息的协调者与表述者”。它不生产数据，它只是数据的搬运工和翻译官。这种架构带来了几个革命性的优势：

• 实时性：可以获取模型训练截止日期之后的最新信息。
• 准确性：基于真实、权威的数据源进行回答，避免了幻觉（Hallucination）。
• 行动力：从“说说而已”升级到“说到做到”，可以真正地操作外部系统。
• 模块化：业务逻辑（函数实现）和语言理解（GPT模型）解耦。你可以独立更新API或数据库，而无需重新训练模型。

注意：这里有一个关键点，也是新手最容易误解的地方：GPT模型本身并不执行任何函数。它只是输出一个符合特定格式的字符串，表明“我想调用某个函数，参数是这些”。真正的函数执行、网络请求、数据库操作，全部由你的后端代码完成。模型是“指挥官”，你的代码是“士兵”。

2.3 函数定义：如何与模型清晰“沟通”

要让模型知道它能“打电话”给谁，你必须清晰地描述每个“联系人”（函数）。这个描述就是函数的“签名”（Signature），它本质上是一个符合JSON Schema规范的JSON对象。

以我们新闻助手项目中的get_top_headlines函数为例，它的签名定义了以下关键信息：

• name: 函数名。这是模型在请求中会使用的标识符，如“get_top_headlines”。
• description: 函数描述。这是最重要的部分。模型完全依赖这段自然语言描述来判断在什么情况下应该调用此函数。描述必须清晰、无歧义地说明函数的用途和适用场景。例如，“获取指定国家或分类的顶级新闻头条”。
• parameters: 参数定义。这是一个嵌套的JSON Schema对象，详细定义了每个参数的名称、类型、描述、是否必填、枚举值等。
  • properties: 定义每个参数。每个参数同样需要清晰的description，告诉模型这个参数代表什么（如“国家的2位ISO 3166-1代码”）。
  • required: 定义哪些参数是调用时必须提供的。留空数组[]表示所有参数都是可选的。

这种设计哲学是“以模型为中心”的。你不是在编写给编译器看的接口文档，而是在用自然语言教导一个AI助手，告诉它：“孩子，当你遇到关于新闻的询问时，你可以使用这个叫做‘get_top_headlines’的工具。你可以通过‘国家’、‘分类’或‘关键词’来筛选新闻，具体规则是这样的……”

3. 构建NewsGPT：从零到一的实战演练

理解了原理，我们开始动手。我们将构建NewsGPT，一个能通过函数调用获取实时新闻的AI助手。这个项目麻雀虽小，五脏俱全，涵盖了函数调用开发的全流程。

3.1 环境准备与依赖安装

首先，确保你的开发环境就绪。你需要Python 3.7或更高版本。我强烈建议使用虚拟环境（如venv或conda）来管理依赖，避免污染全局环境。

# 创建并激活虚拟环境 (以venv为例) python -m venv newsgpt_env source newsgpt_env/bin/activate # Linux/macOS # newsgpt_env\Scripts\activate # Windows # 安装核心依赖 pip install openai tiktoken requests python-dotenv

• openai: OpenAI官方Python SDK，用于调用Chat Completions API。
• tiktoken: OpenAI开源的Token计数库。由于API按Token收费且有上下文长度限制，精确计算Token数量对于成本控制和避免请求失败至关重要。
• requests: 用于调用NewsAPI等外部HTTP API。
• python-dotenv: 方便地从.env文件加载环境变量，避免将API密钥硬编码在代码中。

接下来，获取两个关键的API密钥：

1. OpenAI API Key：访问 OpenAI Platform ，注册并创建API密钥。新账号通常有免费额度。请务必保管好此密钥，它直接关联你的账单。
2. NewsAPI Key：访问 NewsAPI.org ，注册后即可在控制台获取免费的API密钥。免费套餐有调用频率限制，但对于学习和测试完全足够。

在项目根目录创建一个名为.env的文件，将密钥填入：

OPENAI_API_KEY=sk-your-openai-api-key-here NEWS_API_KEY=your-newsapi-key-here

重要安全提示：永远不要将.env文件提交到Git等版本控制系统。务必将其添加到.gitignore文件中。在生产环境中，应使用更安全的密钥管理服务（如AWS Secrets Manager, HashiCorp Vault）或环境变量。

3.2 核心代码实现与逐行解析

创建一个名为newsgpt.py的文件，我们将在此编写所有代码。

3.2.1 初始化与常量定义

import openai import tiktoken import json import os import requests from dotenv import load_dotenv # 加载.env文件中的环境变量 load_dotenv() # 配置OpenAI API密钥 openai.api_key = os.environ.get("OPENAI_API_KEY") if not openai.api_key: raise ValueError("请设置 OPENAI_API_KEY 环境变量或在 .env 文件中配置。") # 模型与配置 LLM_MODEL = "gpt-3.5-turbo-16k-0613" # 使用支持函数调用且上下文较长的模型 LLM_MAX_TOKENS = 15500 # 为系统提示和响应预留一些Token缓冲 LLM_SYSTEM_PROMPT = "你是一个新闻助手，负责根据用户请求提供新闻和头条。请优先尝试使用可用的函数调用来获取最新的突发新闻。" ENCODING_MODEL_MESSAGES = "gpt-3.5-turbo-0613" ENCODING_MODEL_STRINGS = "cl100k_base" FUNCTION_CALL_LIMIT = 3 # 限制函数调用链的最大深度，防止无限循环

代码解析与设计考量：

• 模型选择 (LLM_MODEL)：我们选择了gpt-3.5-turbo-16k-0613。为什么？
  • gpt-3.5-turbo比gpt-4成本更低，响应更快，对于新闻查询这类任务性能足够。
  • -16k版本提供了约16000个Token的上下文窗口。在函数调用场景中，我们需要在消息历史中来回传递用户问题、函数请求、函数结果，上下文消耗很快。更大的窗口意味着能支持更长的对话历史。
  • -0613这个版本号至关重要，它代表该模型版本支持函数调用功能。务必使用带此版本号或更新版本的模型。
• Token限制 (LLM_MAX_TOKENS)：虽然模型有16k上限，但我们自己设定一个更保守的限制（15500）。这是为了给模型的响应（Completion）留出空间。如果你把整个16k窗口都塞满了历史消息，模型就没有Token来生成回答了，请求会失败。
• 系统提示 (LLM_SYSTEM_PROMPT)：这是一个“元指令”，在对话开始时或每次请求时悄悄告诉模型它的角色和行为准则。这里我们明确指示它“优先使用函数调用”，这能显著提高模型在需要新闻时主动调用我们函数的概率。

3.2.2 Token计数工具函数

def num_tokens_from_messages(messages): """计算消息列表的Token数量。参考OpenAI官方示例。""" try: encoding = tiktoken.encoding_for_model(ENCODING_MODEL_MESSAGES) except KeyError: encoding = tiktoken.get_encoding(ENCODING_MODEL_STRINGS) num_tokens = 0 for message in messages: # 每条消息额外开销约4个Token num_tokens += 4 for key, value in message.items(): num_tokens += len(encoding.encode(str(value))) if key == "name": # 如果消息有'name'字段（如函数名），开销略减 num_tokens -= 1 num_tokens += 2 # 每条回复开始的Token return num_tokens

为什么需要这个函数？OpenAI API按Token计费，并且有上下文长度限制。在持续的对话中，我们需要维护一个消息历史列表（messages）。如果不加管理，这个列表会越来越长，最终超过限制。num_tokens_from_messages函数帮助我们精确计算当前消息历史的Token数，以便在必要时删除最早的历史消息（先进先出），确保每次请求都能成功发送。

3.2.3 定义可被调用的函数

这是连接GPT与外部世界的桥梁。我们先实现函数本身，再定义给模型看的“说明书”。

def get_top_headlines(query: str = None, country: str = None, category: str = None): """从NewsAPI获取头条新闻。""" base_url = "https://newsapi.org/v2/top-headlines" headers = { "X-Api-Key": os.environ.get("NEWS_API_KEY") # 从环境变量读取密钥 } params = {"category": "general"} # 根据传入的参数构建查询参数 if query: params["q"] = query if country: params["country"] = country if category: params["category"] = category try: response = requests.get(base_url, params=params, headers=headers, timeout=10) response.raise_for_status() # 如果HTTP请求失败，抛出异常 data = response.json() except requests.exceptions.RequestException as e: print(f"请求NewsAPI失败: {e}") return json.dumps({"error": "无法连接到新闻服务"}) except json.JSONDecodeError: print("NewsAPI返回了无效的JSON响应") return json.dumps({"error": "新闻服务响应格式错误"}) if data.get("status") == "ok": articles = data.get("articles", []) print(f"从NewsAPI处理了 {len(articles)} 篇文章。") # 返回序列化的文章列表，供GPT模型阅读 return json.dumps(articles[:10]) # 限制返回数量，避免上下文过长 else: error_msg = data.get("message", "未知错误") print(f"NewsAPI请求失败: {error_msg}") return json.dumps({"error": error_msg})

函数实现要点：

• 错误处理：网络请求可能失败，API可能返回错误。使用try-except块进行健壮的错误处理，并返回结构化的错误信息，这样GPT模型也能理解并告知用户。
• 结果限制：NewsAPI可能返回大量文章。我们通过articles[:10]只取前10条，防止过多的数据挤占宝贵的Token。
• 返回格式：函数返回一个JSON字符串。这是必须的，因为GPT模型期望接收一个字符串格式的函数执行结果。

接下来，定义函数的“说明书”，这是给GPT模型看的：

signature_get_top_headlines = { "name": "get_top_headlines", "description": "根据国家、分类或关键词获取最新的头条新闻。当用户询问新闻、头条、最新消息或特定领域（如科技、体育）动态时调用此函数。", "parameters": { "type": "object", "properties": { "query": { "type": "string", "description": "用于搜索新闻的关键词或短语，例如‘人工智能’、‘世界杯’。", }, "country": { "type": "string", "description": "要获取新闻的国家的2位ISO 3166-1代码，例如‘us’代表美国，‘gb’代表英国，‘cn’代表中国。", }, "category": { "type": "string", "description": "新闻分类。", "enum": ["business", "entertainment", "general", "health", "science", "sports", "technology"] } }, "required": [] # 所有参数都是可选的，模型可以根据用户问题自行决定传递哪些 } }

签名设计经验：

• 描述 (description) 是灵魂：我特意在描述中加入了触发场景：“当用户询问新闻、头条、最新消息或特定领域（如科技、体育）动态时调用此函数。” 这相当于给模型举了例子，能极大提高函数调用的准确率。
• 参数描述要具体：对于country参数，我明确说明了格式是“2位ISO代码”，并给出了例子。这能减少模型传递错误格式参数的概率。
• required字段：这里设为空数组，意味着模型可以根据上下文决定是否传递参数。例如，用户问“有什么新闻？”，模型可能调用get_top_headlines()不带任何参数。用户问“中国的科技新闻”，模型则会调用get_top_headlines(country=“cn”, category=“technology”)。

3.2.4 核心对话引擎：处理函数调用链

这是整个项目最核心、最复杂的部分。它需要管理对话历史、处理模型的函数调用请求、执行函数、并将结果返回给模型。

def complete(messages, function_call="auto"): """ 与GPT模型完成一轮交互，处理可能的函数调用。 :param messages: 对话消息历史列表。 :param function_call: 控制函数调用行为。'auto'由模型决定，'none'强制不调用函数。 :return: 更新后的messages列表。 """ # 1. 添加系统提示到本次请求的末尾（一种常见技巧，确保指令被最新考虑） messages_with_system = messages.copy() messages_with_system.append({"role": "system", "content": LLM_SYSTEM_PROMPT}) # 2. 检查并修剪Token，确保不超过限制 while num_tokens_from_messages(messages_with_system) >= LLM_MAX_TOKENS: if len(messages_with_system) > 1: # 删除最早的非系统消息，但尽量保留最新的系统提示 # 通常从索引1开始删，因为索引0可能是初始系统消息或早期重要对话 messages_with_system.pop(1) else: # 如果只剩系统消息还超限，那说明系统提示本身太长，需要报错 raise ValueError("对话历史过长，即使清空也无法满足请求。") print("[LLM] 思考中...") try: response = openai.ChatCompletion.create( model=LLM_MODEL, messages=messages_with_system, functions=[signature_get_top_headlines], # 告诉模型它可以调用的函数 function_call=function_call, # 控制模式 temperature=0.7, # 创造性，对于新闻摘要可以稍高一点 max_tokens=500 # 限制单次回复长度 ) except openai.error.InvalidRequestError as e: # 处理Token超限等请求错误 print(f"[错误] API请求无效: {e}") return messages except Exception as e: # 处理网络错误等其他异常 print(f"[错误] 调用API时发生异常: {e}") return messages # 3. 获取模型的响应消息 response_message = response.choices[0].message # 将模型的响应追加到历史消息中 messages.append(response_message) # 4. 检查响应是否为函数调用请求 if response_message.get("function_call"): print(f"[LLM] 请求调用函数: {response_message['function_call']['name']}") function_name = response_message["function_call"]["name"] function_args = json.loads(response_message["function_call"]["arguments"]) # 根据函数名执行对应的本地函数 if function_name == "get_top_headlines": print(f"[APP] 正在执行函数 {function_name}，参数: {function_args}") function_response = get_top_headlines( query=function_args.get("query"), country=function_args.get("country"), category=function_args.get("category") ) # 5. 将函数执行结果作为一条新消息追加到历史 messages.append({ "role": "function", "name": function_name, # 必须与调用的函数名一致 "content": function_response, # 函数返回的字符串结果 }) print(f"[APP] 函数执行完成，结果长度: {len(function_response)} 字符") else: # 处理未知函数请求（理论上不会发生，如果签名定义正确） print(f"[警告] 收到未知函数调用请求: {function_name}") messages.append({ "role": "function", "name": function_name, "content": json.dumps({"error": f"未知函数 {function_name}"}), }) else: # 模型直接返回了文本回复 print(f"[LLM] 生成文本回复，长度: {len(response_message.get('content', ''))} 字符") return messages

这个函数的精妙之处与避坑指南：

1. 消息历史管理 (messages)：messages列表记录了完整的对话流程。其结构如下：

   [ {"role": "user", "content": "今天美国有什么新闻？"}, {"role": "assistant", "function_call": {"name": "get_top_headlines", "arguments": "{\"country\": \"us\"}"}}, {"role": "function", "name": "get_top_headlines", "content": "[...JSON新闻数据...]"}, {"role": "assistant", "content": "根据最新消息，美国今天主要有以下新闻：..."} ]

   每次调用complete函数，我们都必须传入完整的历史，这样模型才能理解上下文。我们的函数会在内部管理这个列表的Token长度。

2. 函数调用链的处理：注意complete函数在检测到function_call后，会执行函数并将结果以role: function的消息追加到messages中，但它并没有立即再次调用模型。这是因为函数调用可能形成“链式”反应（模型根据第一个函数的结果，决定调用第二个函数）。这个循环控制逻辑放在主程序中。

3. function_call参数：设置为“auto”时，由模型决定是否调用函数。设置为“none”时，模型将不会调用任何函数，即使它认为需要。这在防止无限循环或用户明确要求“不要查资料，直接回答”时非常有用。

4. 错误处理：网络请求、API限制、JSON解析都可能出错。必须用try-except包裹，并向模型返回一个结构化的错误信息，而不是让程序崩溃。模型通常能很好地处理{"error": "..."}这样的内容。

3.2.5 主程序循环与链式调用控制

最后，我们将所有部分串联起来，形成一个可以交互的聊天循环。

def main(): """NewsGPT主交互循环。""" print("\n" + "="*50) print("欢迎使用 NewsGPT - 实时新闻AI助手") print("="*50) print("您可以向我询问任何地区的新闻，例如：") print(" - ‘今天美国有什么重大新闻？’") print(" - ‘我想了解一下最新的科技动态’") print(" - ‘法国发生了什么？’") print(" - ‘搜索关于人工智能的最新报道’") print("输入 ‘退出’ 或 ‘quit’ 结束对话。") print("="*50) # 初始化对话历史。可以在这里添加一个初始系统消息来设定更持久的角色。 messages = [] while True: try: user_input = input("\n您想问什么？ => ").strip() except (KeyboardInterrupt, EOFError): print("\n\n再见！") break if user_input.lower() in ["退出", "quit", "exit"]: print("感谢使用，再见！") break if not user_input: continue # 将用户输入加入历史 messages.append({"role": "user", "content": user_input}) # 第一步：发送用户请求，允许模型调用函数 messages = complete(messages, function_call="auto") # 第二步：处理可能的函数调用链 # 如果上一步的响应是函数调用结果(role: function)，模型可能需要继续分析并回复。 # 我们循环处理，直到模型给出最终文本回复(role: assistant, 无function_call)或达到调用限制。 call_count = 0 while messages and messages[-1].get("role") == "function": call_count += 1 if call_count >= FUNCTION_CALL_LIMIT: print(f"[控制] 函数调用链深度达到限制 ({FUNCTION_CALL_LIMIT})，强制结束链。") # 最后一次调用，强制模型不调用函数，直接生成文本总结。 messages = complete(messages, function_call="none") break # 继续让模型处理函数返回的结果 messages = complete(messages, function_call="auto") # 第三步：打印模型的最终回复 if messages and messages[-1].get("role") == "assistant" and messages[-1].get("content"): assistant_reply = messages[-1]["content"].strip() print("\n" + "-"*40) print("NewsGPT:") print(assistant_reply) print("-"*40) else: print("\n[提示] 未收到有效的文本回复。") if __name__ == "__main__": main()

主循环的关键逻辑：

1. 输入与退出：简单的命令行交互。处理了常见的退出指令和空输入。
2. 首次调用 (complete(messages, function_call=“auto”))：将用户问题发送给模型，并允许它调用函数。
3. 链式调用处理循环：这是整个流程的“发动机”。检查最新一条消息是否是函数执行结果 (role == “function”)。如果是，说明模型在上一步请求了函数调用，并且我们已经把结果放了回去。现在，需要再次调用complete，让模型基于这个结果生成回答或发起新的函数调用。我们用call_count来限制这个链条的深度，防止因逻辑错误或模型“钻牛角尖”导致无限循环。
4. 输出最终结果：当循环结束，最后一条消息应该是role: assistant且包含content的文本回复，将其打印给用户。

4. 运行测试与效果分析

现在，让我们在终端运行这个程序，看看效果如何。

source .env # 加载环境变量 (Windows用 `set` 或直接在IDE中配置) python newsgpt.py

测试用例1：通用新闻查询

您想问什么？ => 今天有什么值得关注的新闻？ [LLM] 思考中... [LLM] 请求调用函数: get_top_headlines [APP] 正在执行函数 get_top_headlines，参数: {} [APP] 从NewsAPI处理了 10 篇文章。 [APP] 函数执行完成，结果长度: 12589 字符 [LLM] 思考中... ---------------------------------------- NewsGPT: 根据当前获取到的头条新闻，以下是一些值得关注的事件： 1. **政治与外交**：有关七国集团（G7）峰会的报道仍在继续，各方就全球经济和安全议题进行讨论。 2. **科技动态**：人工智能监管成为热点，欧盟和美国方面都有新的政策动向传出。 3. **商业财经**：全球主要股市今日表现波动，市场关注即将发布的通胀数据。 4. **体育赛事**：温布尔登网球锦标赛进入关键阶段，多位名将顺利晋级。 5. **突发新闻**：某地区发生了一起重大交通事故，救援工作正在进行中。 （请注意，以上摘要基于自动获取的新闻标题生成，具体细节请查阅相关完整报道。） ----------------------------------------

效果分析：模型成功识别出这是一个新闻查询，并调用了不带参数的get_top_headlines函数，获取了通用头条，然后生成了一个简洁的摘要。

测试用例2：特定国家与分类的新闻

您想问什么？ => 给我一些英国在科技方面的最新消息。 [LLM] 思考中... [LLM] 请求调用函数: get_top_headlines [APP] 正在执行函数 get_top_headlines，参数: {'country': 'gb', 'category': 'technology'} [APP] 从NewsAPI处理了 8 篇文章。 [APP] 函数执行完成，结果长度: 9872 字符 [LLM] 思考中... ---------------------------------------- NewsGPT: 根据最新消息，英国科技领域近期有以下动态： * **人工智能投资**：伦敦一家专注于医疗AI的初创公司“BioNeural”宣布完成了总额达4000万英镑的A轮融资，投资方包括多家本土风投。该公司致力于利用AI加速新药发现。 * **网络安全新规**：英国政府通信总部（GCHQ）下属的国家网络安全中心（NCSC）发布新的中小企业网络安全指南，旨在帮助小企业应对日益增长的勒索软件威胁。 * **金融科技监管**：英国金融行为监管局（FCA）对几家加密货币交易所提出了更严格的反洗钱（AML）操作要求，强调需加强客户身份验证。 * **半导体合作**：有报道称，英国正与日本就下一代半导体研发合作进行磋商，以减少对单一供应链的依赖。 这些信息涵盖了投资、监管、安全与合作等多个方面，反映了英国科技生态的当前焦点。 ----------------------------------------

效果分析：模型精准地解析了“英国”（对应country: ‘gb’）和“科技”（对应category: ‘technology’）这两个意图，并正确传参。返回的摘要结构清晰，并尝试从多篇文章中整合信息。

测试用例3：包含关键词的复杂查询

您想问什么？ => 搜索一下关于“可再生能源”和“中国”的最新进展。 [LLM] 思考中... [LLM] 请求调用函数: get_top_headlines [APP] 正在执行函数 get_top_headlines，参数: {'query': '可再生能源 中国', 'country': 'cn'} [APP] 从NewsAPI处理了 5 篇文章。 [APP] 函数执行完成，结果长度: 6543 字符 [LLM] 思考中... ---------------------------------------- NewsGPT: 根据您对“可再生能源”和“中国”的查询，以下是相关的最新头条： 1. **光伏出口增长**：中国光伏行业协会数据显示，上半年中国光伏组件出口额同比增长超30%，主要市场包括欧洲和巴西。分析认为，这与全球能源转型加速有关。 2. **海上风电项目投产**：位于中国东南沿海的某大型海上风电场已全容量并网发电，该项目年发电量可满足约百万户家庭需求，是区域绿色能源重要来源。 3. **政策支持加码**：国家能源局最新发声，将继续完善可再生能源电力消纳保障机制，推动储能设施配套建设，以解决风光发电的间歇性问题。 4. **企业动态**：国内一家头部风电整机制造商宣布，其新研发的16兆瓦海上风电机组已获得国际认证，即将投入商用，刷新单机容量纪录。 总体来看，中国在可再生能源领域继续保持着快速的产能建设和技术迭代。 ----------------------------------------

效果分析：模型出色地处理了复合查询。它将“可再生能源”映射为query参数，将“中国”映射为country参数。这里有一个有趣的细节：NewsAPI的q参数（对应我们的query）通常对英文关键词支持更好。对于中文，我们可能需要更智能的处理（比如使用中文新闻源API），但当前配置下，模型和API的配合已经能返回相关结果。

5. 进阶优化与实战经验分享

一个基础可用的NewsGPT已经完成。但在生产环境中，我们需要考虑更多。以下是我在实际项目中总结的进阶技巧和避坑指南。

5.1 性能、成本与稳定性优化

1. Token管理与上下文修剪策略我们的简单实现是删除最早的消息。但在多轮复杂对话中，这可能丢失重要上下文。更优的策略是：

• 总结式压缩：当历史过长时，可以调用一次GPT（用更便宜的模型如gpt-3.5-turbo），让它将之前的对话总结成一段简短的背景，然后用这个总结替换掉大部分旧历史。
• 重要性分级：系统提示、最近几轮对话、函数调用和结果通常比更早的闲聊更重要。可以优先删除那些不重要的消息。

2. 异步与并行处理如果一次对话中模型请求调用多个独立的函数（理论上可能，但当前模型通常顺序调用），我们可以并行执行这些函数以降低延迟。这需要用到asyncio库。

import asyncio import aiohttp async def fetch_news_async(session, params): async with session.get(NEWS_API_URL, params=params) as response: return await response.json() # 在主逻辑中，如果模型同时请求多个新闻查询，可以并行处理。

3. 设置超时与重试机制网络请求和API调用可能超时或失败。

• 为requests.get设置timeout参数（我们代码中已做）。
• 实现指数退避重试：对于可重试的错误（如网络抖动、API限流），等待一段时间后重试，每次等待时间加倍。

import time from tenacity import retry, stop_after_attempt, wait_exponential @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10)) def get_top_headlines_with_retry(**kwargs): # ... 函数实现 ... response = requests.get(..., timeout=10) response.raise_for_status() return response.json()

4. 缓存频繁请求对于相同参数的新闻查询（例如，很多用户都问“美国新闻”），结果在短时间内是相同的。可以引入缓存（如functools.lru_cache或 Redis），在缓存有效期内直接返回缓存结果，大幅减少对NewsAPI的调用和响应时间。

from functools import lru_cache import hashlib @lru_cache(maxsize=100) def get_top_headlines_cached(query=None, country=None, category=None): # 生成一个基于参数的缓存键 cache_key = hashlib.md5(f"{query}_{country}_{category}".encode()).hexdigest() # ... 实际获取新闻的逻辑 ... # 注意：需要设置合理的缓存过期时间（TTL），例如5分钟。

5.2 扩展性与架构设计

1. 多函数管理当你的助手能力变强，会有几十个函数。如何管理？

• 使用注册表：创建一个函数注册字典，键为函数名，值为（函数对象，签名）元组。
• 动态加载：将函数定义放在单独的模块中，主程序动态导入和注册。

# functions/weather.py def get_weather(location: str): # ... return json.dumps(data) signature = {...} # main.py function_registry = {} def register_function(func, sig): function_registry[sig["name"]] = (func, sig) # 在complete函数中，根据response_message['function_call']['name']从registry中查找并执行。

2. 流式输出（Streaming）对于生成较长回答的场景，使用API的流式响应（stream=True）可以逐字打印结果，提升用户体验，避免长时间等待。

3. 结构化输出与验证模型返回的函数调用参数是JSON字符串。务必进行验证，防止注入攻击或意外错误。

• 使用json.loads()并捕获JSONDecodeError。
• 使用jsonschema库，根据函数签名中的parameters定义，对解析后的参数进行严格验证，确保类型、枚举值等符合预期。

5.3 常见问题与排查技巧实录

问题1：模型不调用函数，总是直接回答。

• 检查函数描述：描述是否足够清晰？是否说明了调用时机？尝试在描述中加入“当用户问及...时，请调用此函数”。
• 检查系统提示：系统提示中是否明确鼓励模型使用函数调用？如“请优先使用可用工具获取信息”。
• 调整function_call参数：尝试在调用时显式指定function_call={“name”: “your_function_name”}来强制调用，测试函数定义本身是否正确。
• 模型能力：确保使用的是支持函数调用的模型版本（如gpt-3.5-turbo-0613及以后版本）。

问题2：模型调用了函数，但参数不对（比如国家代码传了全称“United States”而不是“us”）。

• 优化参数描述：在参数的description中明确格式要求，并给出示例。例如：“国家的2位ISO 3166-1字母代码，例如‘us’代表美国，‘jp’代表日本。”
• 后置清洗与转换：在函数实现内部，对传入的参数进行清洗和转换。例如，如果收到“United States”，尝试将其映射为“us”。这比完全依赖模型更可靠。

问题3：函数调用链陷入循环。

• 设置深度限制：就像我们代码中的FUNCTION_CALL_LIMIT，这是必须的安全阀。
• 分析循环原因：可能是函数返回的结果格式让模型困惑，导致它反复请求相同或相似的函数。检查函数返回的数据是否清晰、结构化。尝试让返回的数据更简洁。
• 使用function_call: “none”打断：在达到限制后，强制模型生成最终答案。

问题4：Token数计算不准确，导致请求失败。

• 依赖官方库：尽量使用tiktoken库进行计数，这是最准确的方式。
• 预留缓冲：像我们一样，设置一个比模型上下文上限（如16000）小的最大值（如15500），为模型的回复留出空间。
• 监控与告警：在生产环境中，记录每次请求的Token使用量，设置告警阈值。

问题5：处理速度慢。

• 分析瓶颈：使用 profiling 工具找出是网络请求（NewsAPI）慢，还是GPT API响应慢。
• 并行化：如前所述，对独立的函数调用进行并行处理。
• 缓存：对结果进行缓存。
• 考虑更轻量模型：对于简单的意图识别和函数路由，可以先用一个更小、更快的模型（或本地模型）进行处理，再决定是否调用GPT。

6. 从NewsGPT出发：构建更强大的AI应用

NewsGPT只是一个起点。函数调用真正强大的地方在于，它能将GPT的语言能力无缝嵌入到任何现有系统中。以下是一些扩展思路：

1. 多模态与复杂工具集成

• 数据库操作：定义search_customer、update_order_status函数，让AI助手成为你的CRM或ERP系统的自然语言接口。
• 发送邮件/消息：定义send_email函数，参数为收件人、主题、正文，实现“帮我给张三发封邮件，内容是关于下周项目会议”这样的指令。
• 数据分析：定义run_sql_query、generate_chart函数，连接数据仓库，让非技术人员也能通过对话进行数据查询和可视化。
• 智能家居控制：定义set_thermostat、turn_on_light函数，结合物联网平台，实现语音控制。

2. 实现复杂工作流单一函数调用是基础，真正的威力在于链式调用形成的工作流。

• 旅行规划：用户说“计划一个去东京的周末之旅”。模型可以链式调用：search_flights->search_hotels->get_local_attractions->summarize_itinerary。
• 客户支持：用户报告问题。模型调用search_knowledge_base，如果没找到，调用create_support_ticket，并同时调用notify_engineer_on_duty。

3. 提升可靠性与安全性

• 用户确认：对于高风险操作（如发送邮件、支付），在函数执行前，让模型生成一段确认文本，需要用户明确同意后再执行。
• 权限校验：在函数执行层，根据当前用户身份校验其是否有权执行此操作。
• 输入过滤与净化：对模型传递的所有参数进行严格的过滤和转义，防止SQL注入、命令注入等攻击。

函数调用不仅仅是API的一个新参数，它代表了一种全新的AI应用架构范式：LLM as a Reasoning Engine。在这个范式下，大语言模型扮演“大脑”的角色，负责理解、规划和决策；而外部工具和API则是它的“四肢”和“感官”，负责执行具体的任务和获取信息。我们开发者要做的，就是为这个“大脑”设计好一套高效、安全、可靠的“工具包”，并搭建好它们之间的通信桥梁。

构建这样的系统，挑战从如何让AI“说得对”，部分转移到了如何设计稳健的系统架构、如何管理状态、如何保证安全。但这正是软件工程师最擅长的事情。函数调用，让AI走出了纯文本的象牙塔，真正开始与数字世界互动。现在，轮到我们来定义这个互动的边界和规则了。