给 AI Agent 装上「手」：Function Calling 实战

你有没有想过，为什么有些 AI 能帮你查天气、订机票、操作数据库，而有些只会聊天？

差距就在这一个东西：Function Calling（工具调用）。

一、AI 的先天残缺

大模型本质上是个「封闭的大脑」。

它的知识来自训练数据，截止到某个时间点；它不能访问网络，不知道今天股价多少；它不会直接执行代码，无法帮你操作文件；它更不能发邮件、存数据、调 API。

简单说：大脑有了，但没有手。

Function Calling，就是给 AI 大脑配上手的那项技术。

二、Function Calling 是什么？

一句话：你告诉模型「有哪些工具可以用」，模型自己决定什么时候用、用哪个、传什么参数。

注意一个关键点——模型本身不直接执行任何操作。

整个过程是三方配合：

模型只是个「大脑」，它告诉你：「去帮我查一下北京天气，参数 city=北京」。真正去查的是你的代码。

三、完整工作流程

来看一个具体的例子：用户问「北京今天天气怎么样？」

① 用户提问
   "北京今天天气怎么样？"
         ↓
② 发送请求给模型（携带工具列表）
   tools: [{ name: "get_weather", description: "查询城市天气", ... }]
         ↓
③ 模型返回：我要调用工具
   finish_reason: "tool_calls"
   tool_call: get_weather(city="北京")
         ↓
④ 你的代码执行 get_weather("北京")
   → 返回：{"temp": 22, "condition": "晴天"}
         ↓
⑤ 把结果回传给模型
         ↓
⑥ 模型生成最终回答
   "北京今天天气晴朗，气温 22°C，适合出行。"

这个「提问 → 决策 → 执行 → 回传 → 回答」的循环，就叫做 Agentic Loop（智能体循环）。一个复杂任务可能循环多次，直到模型说「我搞定了」。

四、代码实战：从零搭一个天气查询 Agent

下面用 DeepSeek API（兼容 OpenAI 格式，国内免费额度充足）来演示。

第一步：定义工具

tools= [
    {
"type": "function",
"function": {
"name": "get_weather",
"description": "获取指定城市的当前天气，包括温度和天气状况",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名，例如：北京、上海"
                    }
                },
"required": ["city"]
            }
        }
    }
]

这份 JSON 就是「工具说明书」。模型读完它，才知道：哦，有个叫 get_weather 的工具，需要传 city 参数。

第二步：模拟工具执行

importjson

defexecute_tool(name: str, args: dict) ->str:
"""真实项目里，这里对接真实的天气 API"""
ifname=="get_weather":
# 模拟返回（真实场景换成 requests.get 调天气接口）
returnjson.dumps({
"city": args["city"],
"temp": 22,
"condition": "晴天"
        }, ensure_ascii=False)
returnjson.dumps({"error": f"未知工具: {name}"})

第三步：完整的 Agentic Loop

fromopenaiimportOpenAI

client=OpenAI(
api_key="你的 DeepSeek API Key",
base_url="https://api.deepseek.com/v1"
)

messages= [{"role": "user", "content": "北京和上海今天天气怎么样？"}]

whileTrue:
# 发请求给模型
response=client.chat.completions.create(
model="deepseek-chat",
tools=tools,
tool_choice="auto",  # 让模型自己决定要不要调用工具
messages=messages
    )

choice=response.choices[0]

# 把模型回复加入对话历史
messages.append({
"role": "assistant",
"content": choice.message.content,
"tool_calls": choice.message.tool_calls
    })

# 如果模型不需要调工具了，直接输出结果
ifchoice.finish_reason!="tool_calls":
print("最终回答：", choice.message.content)
break

# 模型要调工具：逐个执行，把结果回传
fortool_callinchoice.message.tool_calls:
result=execute_tool(
tool_call.function.name,
json.loads(tool_call.function.arguments)
        )
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": result
        })

注意这里：用户问的是「北京和上海」，模型会并行调用两次 get_weather，同时查两个城市，这就是 Parallel Function Calling（并行工具调用）。

五、三个常见坑，新手必踩

坑 1：工具描述写得太简单

模型靠描述决定要不要调这个工具。描述越清晰，调用越准确。

# ❌ 烂描述：模型经常搞错
"description": "获取天气"

# ✅ 好描述：明确场景和返回内容
"description": "获取指定城市的实时天气信息，返回温度（摄氏度）和天气状况（晴/多云/雨等）"

坑 2：忘记把工具结果加回对话历史

# ❌ 执行完工具，直接再问模型
response2=client.chat.completions.create(...)  # 模型完全不知道工具返回了什么

# ✅ 必须把 tool result 追加到 messages
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,  # 必须对应！
"content": result
})

tool_call_id 是关键，模型用这个 ID 对应「哪个工具调用的结果」。漏了就会报错。

坑 3：没有设置循环退出条件

# ❌ 复杂任务可能死循环
whileTrue:
response=...

# ✅ 加一个最大迭代次数保险
max_iterations=10
for_inrange(max_iterations):
response=...
ifchoice.finish_reason!="tool_calls":
break

六、进阶：给 Agent 注册多个工具

一个真正实用的 Agent，往往需要多个工具配合。来看一个「查天气 + 做计划」的例子：

tools= [
    {
"type": "function",
"function": {
"name": "get_weather",
"description": "获取指定城市的天气",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名"}
                },
"required": ["city"]
            }
        }
    },
    {
"type": "function",
"function": {
"name": "search_attractions",
"description": "搜索指定城市的热门景点和推荐活动",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名"},
"weather": {"type": "string", "description": "当前天气状况，影响推荐结果"}
                },
"required": ["city"]
            }
        }
    }
]

用户说「我周末想去杭州，帮我规划一下」，模型会自动：

1. 先调 get_weather("杭州")，看看天气

2. 再调 search_attractions("杭州", weather="晴天")，推荐景点

3. 最后综合两个结果，给出具体的周末计划

这就是 Agent 的魅力：任务拆解、工具编排、结果整合，全部自动完成。

七、不需要写代码也能用？

如果你不想写代码，Coze 和 Dify 这类无代码平台也支持工具调用：

• Coze：在工作流里拖拽添加「插件」，本质上就是 Function Calling 的可视化封装

• Dify：工具节点直接配置 API，自动生成工具描述给模型

适合快速验证想法；想要真正定制化，还是要回到代码层。

总结

下次你见到某个 AI 助手能帮你做事而不只是聊天，十有八九用的就是这个原理。

学会 Function Calling，你就掌握了 AI Agent 最核心的能力之一。

下期预告：用 Function Calling + 真实 API，搭一个能自动查股票、发摘要的 Agent，感兴趣的在评论区扣 1。