企业官网建设流程全解析

大模型 Function Calling 与工具使用：从对话到行动的工程实践

一、大模型的"知行鸿沟"：能说不能做的困境

大语言模型拥有丰富的知识储备，但本质上只是一个文本生成器——它无法执行操作、无法查询实时数据、无法调用外部 API。用户问"北京今天天气如何"，模型只能基于训练数据猜测，无法获取实时天气信息。用户问"帮我查一下订单 #12345 的状态"，模型无法连接数据库。

Function Calling（函数调用）是打通"知"与"行"的桥梁：模型不再直接回答问题，而是生成结构化的函数调用指令，由外部执行器调用真实 API 获取结果，再将结果返回模型生成最终回答。这一机制让大模型从"百科全书"进化为"智能助手"。

二、Function Calling 的执行流程

Function Calling 的核心流程是：用户提问 → 模型生成函数调用 → 外部执行 → 结果回注 → 模型生成回答。

sequenceDiagram participant User as 用户 participant LLM as 大模型 participant Executor as 函数执行器 participant API as 外部 API User->>LLM: 北京今天天气如何？ LLM->>LLM: 判断需要调用 get_weather LLM-->>Executor: get_weather(city="北京") Executor->>API: HTTP GET /weather?city=北京 API-->>Executor: {"temp": 28, "condition": "晴"} Executor-->>LLM: 函数返回结果 LLM->>LLM: 基于结果生成自然语言回答 LLM-->>User: 北京今天晴天，气温 28°C

关键机制：模型不直接执行函数，只生成调用意图和参数。执行器负责实际调用和错误处理。这种分离确保了安全性——模型无法绕过权限限制直接访问外部系统。

三、工程化实现

3.1 工具定义与注册

# tool_registry.py from dataclasses import dataclass from typing import Callable, Any import json @dataclass class ToolDefinition: name: str description: str parameters: dict # JSON Schema function: Callable class ToolRegistry: def __init__(self): self.tools: dict[str, ToolDefinition] = {} def register(self, name: str, description: str, parameters: dict): """装饰器：注册工具函数""" def decorator(func: Callable): self.tools[name] = ToolDefinition( name=name, description=description, parameters=parameters, function=func, ) return func return decorator def get_tool_definitions(self) -> list[dict]: """生成 OpenAI Function Calling 格式的工具定义""" return [ { "type": "function", "function": { "name": tool.name, "description": tool.description, "parameters": tool.parameters, } } for tool in self.tools.values() ] def execute(self, name: str, arguments: dict) -> Any: """执行工具函数""" tool = self.tools.get(name) if not tool: raise ValueError(f"未知工具：{name}") return tool.function(**arguments) # 注册具体工具 registry = ToolRegistry() @registry.register( 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，如'北京'、'上海'", }, }, "required": ["city"], }, ) def get_weather(city: str) -> dict: import requests # 调用天气 API response = requests.get( f"https://api.weather.com/current", params={"city": city}, timeout=10, ) if response.status_code != 200: return {"error": f"天气 API 请求失败：HTTP {response.status_code}"} return response.json() @registry.register( name="search_database", description="查询数据库中的订单信息", parameters={ "type": "object", "properties": { "order_id": { "type": "string", "description": "订单编号", }, "fields": { "type": "array", "items": {"type": "string"}, "description": "需要查询的字段列表", }, }, "required": ["order_id"], }, ) def search_database(order_id: str, fields: list[str] = None) -> dict: # 模拟数据库查询 return { "order_id": order_id, "status": "已发货", "amount": 299.00, "tracking_number": "SF1234567890", }

3.2 Function Calling 执行器

# function_calling_executor.py import json from openai import OpenAI class FunctionCallingExecutor: def __init__(self, registry: ToolRegistry, model: str = "gpt-4o"): self.client = OpenAI() self.registry = registry self.model = model def run(self, user_message: str, max_rounds: int = 5) -> str: """执行 Function Calling 循环""" messages = [ {"role": "system", "content": "你是一个智能助手，可以调用工具帮助用户。"}, {"role": "user", "content": user_message}, ] tools = self.registry.get_tool_definitions() for round_num in range(max_rounds): # 调用 LLM response = self.client.chat.completions.create( model=self.model, messages=messages, tools=tools if tools else None, tool_choice="auto", ) choice = response.choices[0] message = choice.message # 如果没有工具调用，直接返回回答 if not message.tool_calls: return message.content # 将助手消息（含工具调用）加入历史 messages.append(message) # 执行每个工具调用 for tool_call in message.tool_calls: function_name = tool_call.function.name try: arguments = json.loads(tool_call.function.arguments) except json.JSONDecodeError: arguments = {} try: # 执行工具函数 result = self.registry.execute(function_name, arguments) result_str = json.dumps(result, ensure_ascii=False) except Exception as e: result_str = json.dumps( {"error": f"工具执行失败：{str(e)}"}, ensure_ascii=False, ) # 将工具结果加入消息历史 messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": result_str, }) return "抱歉，工具调用轮次已达上限，请简化您的问题。"

3.3 多轮工具调用与错误恢复

# advanced_executor.py class AdvancedExecutor(FunctionCallingExecutor): def run_with_retry(self, user_message: str, max_rounds: int = 10) -> str: """支持重试和错误恢复的执行器""" messages = [ {"role": "system", "content": ( "你是一个智能助手。调用工具时请注意：\n" "1. 参数必须符合 Schema 定义\n" "2. 如果工具返回错误，分析原因并重试\n" "3. 不要编造工具返回的数据" )}, {"role": "user", "content": user_message}, ] tools = self.registry.get_tool_definitions() failed_calls = set() # 记录失败的调用，避免无限重试 for _ in range(max_rounds): response = self.client.chat.completions.create( model=self.model, messages=messages, tools=tools, tool_choice="auto", ) choice = response.choices[0] message = choice.message if not message.tool_calls: return message.content messages.append(message) for tool_call in message.tool_calls: call_key = f"{tool_call.function.name}:{tool_call.function.arguments}" # 避免重复调用同一个失败的工具 if call_key in failed_calls: messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": json.dumps({ "error": "此调用之前已失败，请尝试不同的参数或工具" }), }) continue try: arguments = json.loads(tool_call.function.arguments) result = self.registry.execute( tool_call.function.name, arguments ) messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": json.dumps(result, ensure_ascii=False), }) except Exception as e: failed_calls.add(call_key) messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": json.dumps({ "error": str(e), "hint": "请检查参数格式是否正确", }), }) return "工具调用轮次已达上限。"

四、Function Calling 的 Trade-offs

参数生成的准确性：模型可能生成不符合 Schema 的参数（如字符串传给了数字字段、缺少必填参数）。建议在执行器中加入参数校验层，对不符合 Schema 的参数返回错误信息，让模型重新生成。

工具选择的准确性：模型可能选择错误的工具（如用 search_database 查天气）。优化工具描述（description）是提高选择准确性的关键——描述必须清晰区分工具的适用场景。

延迟的累积效应：每轮 Function Calling 包含一次 LLM 调用 + 一次工具执行，总延迟 = LLM 延迟 × 轮数 + 工具延迟。3 轮调用可能需要 5-10 秒。建议对简单查询（无需工具）跳过工具调用，对复杂查询设置最大轮数限制。

安全性风险：工具函数可能执行危险操作（如删除数据、发送邮件）。建议对写操作工具设置确认机制——执行前向用户展示操作意图，获得确认后再执行。

五、总结

Function Calling 是大模型从"对话"走向"行动"的关键机制，通过模型生成调用意图、外部执行器实际调用的分离架构，兼顾了能力和安全性。落地路线上，建议先定义核心工具集（查询类），再逐步扩展到操作类工具（写入类需加确认）。关键原则：工具描述决定选择准确性，参数校验防止格式错误，错误恢复提升鲁棒性，安全确认守住底线。