企业官网建设流程全解析

作者：一位Android开发工程师 | 2026年7月1日
系列：Agent 核心能力——让 LLM 调用你的函数

前言

之前所有调用都是"你问 LLM 答"——LLM 只能说，不能做。

Function Calling 改变了这一点：你告诉 LLM 有哪些工具可以用，LLM 决定要不要用、用哪个、传什么参数。你的代码执行工具，把结果还给 LLM。

这是 Agent 区别于普通 Chatbot 的核心能力。

完整流程（两次 API 调用）

第1次请求：用户问"北京天气？" → LLM 返回"我要调 get_weather(city=北京)" ↓ 你的代码执行 get_weather("北京") → 返回"晴天25°C" ↓ 第2次请求：把结果告诉 LLM → LLM 生成自然语言"北京今天晴天，25°C"

核心代码

定义工具（JSON Schema）

tools=[{"type":"function","function":{"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"],},},}]

骨架永远不变，变的是name、description、properties。

第一次请求

response=client.chat.completions.create(model="turing/gpt-4o-mini",messages=[{"role":"user","content":"北京天气怎么样"}],tools=tools,# ← 多了这个参数)msg=response.choices[0].message

如果 LLM 想调工具，msg.tool_calls会有值；否则msg.content直接有回答。

执行工具 + 第二次请求

ifmsg.tool_calls:tool_call=msg.tool_calls[0]args=json.loads(tool_call.function.arguments)# {"city": "北京"}result=get_weather(args["city"])# "晴天25°C"response2=client.chat.completions.create(model="turing/gpt-4o-mini",messages=[{"role":"user","content":"北京天气怎么样"},msg,# LLM 的工具调用请求{"role":"tool","tool_call_id":tool_call.id,"content":result},],)print(response2.choices[0].message.content)

为什么第二次请求要带上完整 messages

因为LLM 没有记忆（第4天学的）。每次 API 调用都是全新的，你必须把完整上下文打包发过去：

• user消息：原始问题（不然 LLM 不知道在为谁回答）
• assistant消息（tool_calls）：LLM 的工具调用请求（不然 LLM 不知道这是工具返回的结果）
• tool消息：工具执行结果

今天的一句话总结

Function Calling 的本质是一次"请求→执行→再请求"的两次调用过程。LLM 决定调什么工具，你的代码执行工具，结果还给 LLM 生成回答。这是 Agent 循环的雏形。

下一篇预告

第13天：多工具编排——给 LLM 三个工具，看它能不能自动选对。

本系列记录一位Android开发者转行AI Agent的完整学习过程，欢迎关注交流。