2.1 Function Calling：从说话到行动

Function Calling 是让大模型按约定格式输出调用指令，从而由外部系统真正去执行具体操作的一种机制。它让模型从"只会说话"变为"会调用工具"。

Function Calling 解决的核心问题

大模型的"能力边界"

大模型虽然知识丰富，但有些事情它"做不到"：

❌ 获取实时信息（天气、股价、新闻）
❌ 执行具体操作（发邮件、查数据库、调用 API）
❌ 精确计算（复杂数学、代码执行）
❌ 访问私有数据（内部文档、用户数据）

Function Calling 就是突破这些边界的桥梁。

能力的范式跃迁

传统 LLM：输入 → 思考 → 输出文字
  ↓ 只能"说说"而已

带 Function Calling 的 LLM：输入 → 思考 → 决定调用工具 → 执行工具
→ 获取结果 → 继续思考 → 最终输出
  ↓ 真正"做到"事情

Function Calling 的核心机制

完整的调用流程

用户提问
  ↓
LLM 分析：这个问题需要调用工具吗？
  ├─ 不需要 → 直接回答
  └─ 需要 → 输出工具调用指令
      ↓
外部系统解析指令，执行工具调用
      ↓
获取工具执行结果
      ↓
LLM 结合结果，生成最终回答

工具定义格式

以 OpenAI 格式为例：

{
  "type": "function",
  "function": {
    "name": "get_weather",
    "description": "获取指定城市的当前天气",
    "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"
        }
      },
      "required": ["city"]
    }
  }
}

定义的三要素：

1. 名称（name）：工具的唯一标识
2. 描述（description）：告诉模型这个工具是做什么的
3. 参数（parameters）：定义入参的类型、格式、约束

模型调用输出

{
  "role": "assistant",
  "tool_calls": [{
    "id": "call_abc123",
    "type": "function",
    "function": {
      "name": "get_weather",
      "arguments": "{\"city\":\"北京\",\"unit\":\"celsius\"}"
    }
  }]
}

工具结果回传

{
  "role": "tool",
  "tool_call_id": "call_abc123",
  "content": "{\"temperature\":25,\"condition\":\"晴\",\"humidity\":60}"
}

工具设计的核心原则

1. 单一职责原则

❌ 不好的设计：

def handle_user_request(request):
    """处理用户的任何请求"""
    # 可能查天气、可能查股票、可能发邮件...

✅ 好的设计：

def get_weather(city: str) -> dict:
    """获取指定城市的天气信息"""

def get_stock_price(symbol: str) -> float:
    """获取股票当前价格"""

def send_email(to: str, subject: str, body: str) -> bool:
    """发送邮件"""

2. 清晰描述原则

描述要写得像给人看的一样清楚，模型"读"得懂才会用。

❌ 描述太模糊：

"description": "处理数据"

✅ 描述清晰：

"description": "执行 SQL 查询并返回结果。注意：1. 只允许 SELECT 查询；
2. 查询必须包含 LIMIT 子句；3. 不允许查询 user_password 等敏感字段"

3. 强类型约束

尽可能使用枚举和具体类型约束，减少模型生成错误参数的概率。

❌ 太宽松：

"format": {"type": "string"}

✅ 强约束：

"format": {
  "type": "string",
  "enum": ["json", "csv", "markdown"],
  "description": "输出格式"
}

4. 幂等性设计

工具调用可能重复，设计时要考虑安全。

✅ 推荐：get_weather(idempotent)
❌ 谨慎：delete_user(side effects)

常见工具类型与设计模式

1. 信息获取类

# 搜索引擎
def search_web(query: str, num_results: int = 5) -> list:
    """搜索网络获取信息"""

# 数据库查询
def execute_sql(query: str) -> list:
    """执行只读 SQL 查询"""

# 文件读取
def read_file(path: str) -> str:
    """读取文件内容"""

设计要点：限制返回大小，避免信息过载。

2. 操作执行类

# API 调用
def create_github_issue(repo: str, title: str, body: str) -> str:
    """在指定仓库创建 Issue"""

# 系统操作
def run_command(command: str, timeout: int = 30) -> dict:
    """执行系统命令（需白名单验证）"""

# 消息发送
def send_slack_message(channel: str, message: str) -> bool:
    """发送 Slack 消息"""

设计要点：权限验证、操作审计、风险控制。

3. 计算处理类

# 代码执行
def run_python_code(code: str) -> str:
    """在沙箱环境中执行 Python 代码"""

# 数据分析
def calculate_statistics(data: list) -> dict:
    """计算统计指标"""

# 格式转换
def convert_format(input: str, from_format: str, to_format: str) -> str:
    """格式转换"""

设计要点：沙箱隔离、资源限制、超时保护。

多工具协作模式

1. 链式调用

用户：帮我分析一下 AAPL 今天的走势并总结要点

1. get_stock_price("AAPL") → 获取价格
2. get_news("AAPL") → 获取相关新闻
3. analyze_report(price, news) → 生成分析报告

2. 分支选择

用户查询
  ↓
分析意图
  ├─ 天气相关 → 调用 get_weather
  ├─ 股票相关 → 调用 get_stock_price
  └─ 其他 → 直接回答

3. 循环调用直到完成

目标：写一份市场分析报告

循环：
  1. 分析还缺什么信息
  2. 调用工具获取
  3. 整合到报告中
直到：报告完整或达到最大次数

错误处理与可靠性

常见错误场景

错误类型	发生原因	应对策略
参数错误	模型生成的参数格式不对	自动重试 + 友好提示修正
工具执行失败	API 超时、网络错误	重试机制、降级方案
误用工具	模型用错了工具	工具描述优化 + 结果校验
无限循环	反复调用同一个工具	最大调用次数限制

防御性设计

def safe_tool_call(tool_name, params):
    # 1. 验证工具是否在白名单
    if tool_name not in ALLOWED_TOOLS:
        return "Error: Tool not allowed"
    
    # 2. 参数校验
    if not validate_params(tool_name, params):
        return "Error: Invalid parameters"
    
    # 3. 超时保护
    try:
        with timeout(30):
            return execute_tool(tool_name, params)
    except TimeoutError:
        return "Error: Tool execution timed out"
    
    # 4. 异常捕获
    except Exception as e:
        return f"Error: {str(e)}"

Function Calling 的进阶技巧

1. 思维链 + 工具调用

让模型先思考再决定调用什么工具：

先分析用户的问题，然后：
1. 说明你需要调用什么工具
2. 说明为什么需要这个工具
3. 输出工具调用

2. 并行工具调用

支持一次调用多个工具，提升效率：

用户：帮我查一下北京和上海今天的天气

→ 同时调用：
   get_weather("北京")
   get_weather("上海")

3. 工具动态选择

不是每次都把所有工具给模型，而是根据问题先筛选相关工具：

问题涉及代码 → 给出代码执行、文件操作工具
问题涉及搜索 → 给出搜索引擎工具
简单问题 → 不给出任何工具，直接回答

4. 工具调用的成本意识

每个工具都有成本：
- 时间成本（网络请求、计算耗时）
- 金钱成本（API 调用费用）

→ 让模型学会权衡：是否真的需要调用？有没有更便宜的方式？

---

Function Calling 是 Agent 的"双手"。没有它，大模型只是一个知识渊博的书呆子；有了它，模型才能真正动手做事。