上周接了个需求，要做一个能查天气、查快递、查数据库的智能客服。一开始想的是用正则匹配用户意图，写了一堆 if-else，结果用户稍微换个说法就识别不了。后来同事提醒我：”你怎么不用 Function Calling？” 说实话之前只在文档里扫过一眼，没正经写过。折腾了两天，踩了不少坑，现在总算把整套流程跑通了，记录一下。
Function Calling 是让大模型"调用外部工具"最靠谱的方案，比自己写正则解析强太多了。核心流程就三步：
有一点要搞清楚：模型不会帮你执行函数，它只是告诉你「我觉得应该调这个函数，参数是这些」，执行和回填都是你自己的事。
纯靠 prompt 让大模型输出 JSON 再自己解析，有几个问题：
- 格式不稳定：有时候给你 JSON，有时候给你 markdown 代码块包着的 JSON，有时候还夹带私货说两句废话
- 参数类型乱来：你要 number 它给你 string，你要数组它给你逗号分隔的字符串
- 幻觉调用：瞎编一个你根本没有的函数名
Function Calling 是模型厂商在 API 层面做的结构化支持，输出格式是确定的，参数会按你定义的 JSON Schema 校验。GPT-5.4 和 Claude Opus 4.6 在这方面已经非常稳，Gemini 3.0 也支持得不错。
先从最简单的场景开始：让模型调用一个查天气的函数。
运行结果：
GPT plus 代充 只需 145
到这里模型的活干完了。接下来你要自己执行函数，再把结果喂回去。
输出：
GPT plus 代充 只需 145
这就是完整的一轮 Function Calling 流程。模型根据函数执行结果，生成了自然语言的回答。
实际项目里不可能只有一个函数。我那个智能客服需要同时支持查天气、查快递、查订单，而且用户可能一句话触发多个函数调用。这就需要一个调度循环。
运行输出：
GPT plus 代充 只需 145
模型在一轮里同时调了两个函数，参数也都对。这个调度循环是我最终在项目里用的核心逻辑。
挑几个有代表性的说。
回填 tool 消息时， 必须和模型返回的 一一对应。我一开始偷懒写了个固定字符串，直接报 400 错误，错误信息还特别模糊，排了好久。
返回的是 JSON 字符串，不是 Python 字典。必须 一下。虽然很基础，但我第一次真就直接当字典用了，报错 ，愣了半天。
这个是最大的坑。我一开始 的 description 写的是"天气函数"，结果用户说"今天会不会下雨"的时候模型不调它。改成"查询指定城市的当前天气信息，包括温度、天气状况、降水概率等"之后就正常了。
description 要写得像给一个不懂代码的人看的说明书，越具体越好。参数的 description 也一样，别省。
我用 ofox.ai 的聚合接口测了几个模型（ofox.ai 是一个 AI 模型聚合平台，一个 API Key 可以调用 GPT-5.4、Claude Opus 4.6、Gemini 3.0 等 50+ 模型，国内直连无需代理），实测结果：
GPT-5.4 在 Function Calling 方面体验最好，Claude Opus 4.6 在需要复杂推理来决定调哪个函数的场景下更胜一筹。
是最常用的，但如果发现模型该调函数时老不调，可以试试 。
加超时和重试。 函数执行可能失败，模型也可能返回不存在的函数名，调度循环里一定要有异常处理。
限制最大轮次。 我上面代码里写了 ，防止模型反复调函数陷入死循环。真遇到过这种情况，模型调完一个函数觉得信息不够，又调另一个，来来回回停不下来。
日志一定要打。 把每轮的 tool_calls 和执行结果都记下来，线上出问题没日志就是抓瞎。
参数校验别依赖模型。 虽然有 JSON Schema，但模型偶尔还是会传奇怪的值，函数内部该做的参数校验一个不能少。
Function Calling 的核心就是定义工具 → 模型决策 → 执行回填这个循环。搞明白这个，不管是做智能客服、数据查询助手还是 Agent，底层逻辑都是一样的。
比我预想的简单，主要时间花在了调 description 和处理各种边界情况上，代码层面反而不多。把上面那个 函数改改就能直接用在项目里。
对了，如果你在国内开发，各家模型 API 的网络和鉴权确实挺折腾的。我现在统一走聚合接口，换模型只改一个 model 参数，省了不少事。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/237546.html