3. 提示词与接口交互

Function Calling 这个词，听起来挺唬人的。其实说白了，就是让大模型能调用你写好的函数。

我刚开始接触这个概念时，也觉得它很神秘。后来发现，它本质上就是一个「翻译」过程——把自然语言翻译成结构化的函数调用指令。嗯，今天我们就把它彻底讲透。

3.1 Function Calling 的核心原理

传统的 LLM 对话，模型只能输出文本。你问它「帮我查一下北京的天气」，它只能回复「好的，我帮你查一下」，然后就没有然后了。它没法真的去调 API。

Function Calling 解决了这个问题。它的工作流程是这样的：

1. 你预先定义好一批工具函数，告诉模型这些函数叫什么、有什么参数
2. 用户提问后，模型判断是否需要调用某个函数
3. 如果需要，模型返回一个结构化的函数调用请求（不是真的执行）
4. 你拿到这个请求，自己去执行函数，把结果返回给模型
5. 模型基于函数结果，生成最终的自然语言回复

我在项目中遇到过不少新手，以为 Function Calling 是模型直接跑 Python 脚本。不是的。模型输出的是 JSON，你拿到 JSON 后自己去调函数。这个设计很安全，也很灵活。

3.2 定义工具函数 Schema

要让模型知道你的函数长什么样，你得给它一份「说明书」。这份说明书就是 Function Schema。

不同的模型厂商，Schema 格式略有差异。但核心结构是相通的。我以 的格式为例，这是目前最主流的写法：

{
  "type": "function",
  "function": {
    "name": "get_weather",
    "description": "获取指定城市在指定日期的天气信息",
    "parameters": {
      "type": "object",
      "properties": {
        "city": {
          "type": "string",
          "description": "城市名称，如北京、上海"
        },
        "date": {
          "type": "string",
          "description": "日期，格式为 YYYY-MM-DD"
        }
      },
      "required": ["city", "date"]
    }
  }
}

你看，每个字段都有明确的含义：

字段	说明	我的建议
name	函数名，模型靠它来匹配	用下划线命名法，别用驼峰
description	函数描述，越详细越好	写清楚什么场景下调用
parameters	参数定义，遵循 JSON Schema	每个参数都要写 description
required	必填参数列表	能设默认值的就别放 required

3.3 多工具并行调用

早期的 Function Calling 一次只能调一个函数。但现在主流模型都支持 并行调用——一次回复里包含多个函数调用请求。

举个例子。用户说：「帮我查一下北京和上海的天气，然后给张三发邮件汇报结果。」

模型可能会返回这样的结构：

{
  "choices": [{
    "message": {
      "role": "assistant",
      "content": null,
      "tool_calls": [
        {
          "id": "call_1",
          "type": "function",
          "function": {
            "name": "get_weather",
            "arguments": "{\"city\": \"北京\", \"date\": \"2024-01-15\"}"
          }
        },
        {
          "id": "call_2",
          "type": "function",
          "function": {
            "name": "get_weather",
            "arguments": "{\"city\": \"上海\", \"date\": \"2024-01-15\"}"
          }
        },
        {
          "id": "call_3",
          "type": "function",
          "function": {
            "name": "send_email",
            "arguments": "{\"to\": \"zhangsan@example.com\", \"subject\": \"天气汇报\", \"body\": \"详见附件\"}"
          }
        }
      ]
    }
  }]
}

三个调用之间没有依赖关系，你可以并行执行它们。这大大提升了效率。

3.4 实际项目中的避坑指南

做了几个项目后，我总结了一些血泪教训：

• 参数校验不能省：模型生成的参数不一定合法。比如日期格式可能不对，城市名可能拼错。我习惯在函数入口做一层校验。
• 超时处理要到位：有些函数执行时间很长（比如调用第三方 API），模型可能等不及。建议设置超时时间，超时后返回一个友好的错误信息。
• 错误信息要结构化：函数执行失败时，返回的错误信息最好也带个 code 和 message，方便模型理解。比如 {"error": {"code": "RATE_LIMIT", "message": "请求过于频繁"}}。
• 上下文管理：每次函数调用的结果都会塞回对话里。如果函数返回的数据很大（比如几万行表格），对话上下文会迅速膨胀。我一般会做摘要，只把关键信息返回给模型。

3.5 一个完整的调用示例

最后，给你看一个完整的 Python 实现片段。这是我常用的模式：

import json
from  import 

client = (="your-key")

# 1. 定义工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取中国城市的天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名"},
                    "date": {"type": "string", "description": "日期 YYYY-MM-DD"}
                },
                "required": ["city", "date"]
            }
        }
    }
]

# 2. 调用模型
response = client.chat.completions.create(
    model="",
    messages=[{"role": "user", "content": "北京今天天气怎么样？"}],
    tools=tools,
    tool_choice="auto"
)

# 3. 处理函数调用
message = response.choices[0].message
if message.tool_calls:
    for tool_call in message.tool_calls:
        func_name = tool_call.function.name
        args = json.loads(tool_call.function.arguments)
        # 执行你的函数
        result = your_function(func_name, args)
        # 把结果返回给模型
        messages.append({
            "tool_call_id": tool_call.id,
            "role": "tool",
            "content": json.dumps(result)
        })
    # 再次调用模型生成最终回复
    final_response = client.chat.completions.create(
        model="",
        messages=messages
    )
    print(final_response.choices[0].message.content)

这个模式很通用。你只需要替换 your_function 的实现，就能接入任意工具。