大模型Function Calling是指让语言模型在对话过程中，根据用户输入决定是否调用外部函数，并生成符合约定的参数结构，从而把自然语言变成可执行操作。这种机制让模型不再只是生成文本，而是能连接数据库、API和本地逻辑。实现时，我们通常需要向模型提供工具定义，然后在对话回路中拦截模型的工具调用意图，执行真实代码后再把结果回传。
工具定义与Schema编写
要让模型知道有哪些函数可用，必须先把每个工具写成模型能理解的元数据。最常见的方式是使用类似JSON Schema的结构，描述函数名、用途、参数类型和必填项。模型本身并不执行这些函数，它只负责在合适的时候输出对应的名称和参数对象。如果Schema写得模糊，模型就容易乱填参数，或者在该调用时选择不调用。
下面给出一个查天气工具的声明示例。注意description字段要用自然语言把什么时候该用这个函数写清楚，这直接影响模型的命中率。参数部分用type和properties约束，避免模型传出奇怪的值。在实际项目中，我们会把多个工具放在一个数组里传给接口。
{
"tools": [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "根据用户提供的城市名称查询当前天气情况",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称，例如北京"
}
},
"required": ["city"]
}
}
}
]
}
除了单个工具的定义，还要考虑工具数量变多时的冲突问题。当模型面对十个以上函数，它可能会选错。此时可以在description里加入互斥说明，比如写明某函数仅在用户明确要算数学题时才用。另外，参数的枚举值尽量写全，减少模型自由发挥的空间。
对话回路与调用解析
定义好工具后，真正的难点在对话循环。一次请求发出后，模型可能直接回复文本，也可能返回tool_calls字段。我们需要写代码判断：如果有工具调用，就本地执行对应函数，再把结果以角色为tool的消息发回去，让模型基于结果生成最终回答。这个过程往往要循环两到三次。
以下Python片段展示了一个最简回路。我们用openai风格接口举例，先发送系统和用户消息，再检查返回。若发现tool_calls，就提取函数名与参数，分发到本地实现，最后把结果回传。注意异常处理不能少，因为模型可能传了不存在的函数名。
import json
def get_weather(city):
return {"city": city, "temp": 26, "desc": "晴"}
def run_conv(messages, client):
resp = client.chat.completions.create(
model="gpt-4o",
messages=messages,
tools=tools_def
)
msg = resp.choices[0].message
if msg.tool_calls:
for call in msg.tool_calls:
fname = call.function.name
args = json.loads(call.function.arguments)
if fname == "get_weather":
result = get_weather(args["city"])
else:
result = {"error": "unknown function"}
messages.append({
"role": "tool",
"tool_call_id": call.id,
"content": json.dumps(result)
})
return run_conv(messages, client)
return msg.content
在解析环节，一个常见错误是相信模型给的参数是合法的。我们必须做一层校验，比如用jsonschema库验证结构，或者手动判断类型。若校验失败，可以再把错误写回tool消息，让模型重试一次。这样比直接崩溃体验好得多，也更符合生产环境要求。
模式对比与落地建议
目前主流有两种落地方式。一种是自动模式，即把工具全交给模型，由它自己决定调不调、调哪个；另一种是人工路由，先用小模型或规则判断意图，再决定注入哪些工具。自动模式开发快，但令牌消耗大，且不可控；人工路由更省成本，适合工具很多的系统，但要多写分类逻辑。
从稳定性看，自动模式在简单场景表现好，比如只挂两三个工具。一旦工具超过十个，模型就开始犯迷糊，尤其当功能相近时。此时人工路由可以先筛出候选集，再把缩小后的tools传给模型。我们在内部系统里用意图关键词匹配，把二十个工具降到三到五个，错误率降了一半。
| 模式 | 优点 | 缺点 |
|---|---|---|
| 自动调用 | 代码少，迭代快 | 耗令牌，易选错 |
| 人工路由 | 可控，成本低 | 需维护分类规则 |
最后谈一下安全。模型生成的参数绝不能原样拼进Shell或SQL，必须参数化。我们的做法是本地函数只接收基础类型，绝不接收拼接命令。配合白名单和超时控制，即使模型被诱导，也不会造成系统级破坏。把这些细节补上，你的Function Calling教程才算真正能用到线上。
Function_Calling大模型工具调用修改时间：2026-08-14 10:42:28