第6节：Function Calling深度剖析

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

文章目录

- 一、前言
- 二、Function Calling深度剖析
- 三、本章练习题及其答案
- 四、总结

在大语言模型（LLM）广泛应用的今天，单一的文本生成能力已难以满足复杂场景的需求。当用户需要处理实时数据、执行计算操作或访问外部系统时，传统LLM的"凭空生成"模式往往力有不逮。Function Calling（函数调用）技术的出现，为LLM打通了与外部工具、系统的连接通道，让AI不仅能"思考"，更能"行动"。

本教案面向初级到中级技术从业者、AI爱好者及在校学生，将从基础概念入手，逐步解析Function

Calling的原理、应用场景与实践方法。无论您是后端开发者希望通过AI优化业务流程，前端开发者想打造智能交互应用，还是运维人员探索自动化运维方案，都能从Function

Calling技术中找到新的解决方案。我们将通过通俗易懂的讲解和可运行的代码示例，帮助您系统掌握这一AI技术的核心能力。

2.1 Function Calling 介绍

Function Calling是大语言模型的一项核心扩展能力，它允许模型根据用户的自然语言指令，自主判断是否需要调用外部函数（工具），并以结构化的格式输出调用请求。简单来说，Function Calling让LLM从"文本生成器"升级为"任务调度者"，能够将复杂任务拆解为"思考决策"与"工具执行"两个环节，从而解决传统LLM无法处理的实时性、计算性、数据访问类问题。

Function Calling的典型应用场景包括：

实时数据查询：如查询天气、股票价格、航班信息等；
复杂计算处理：如数学运算、数据统计、科学计算等；
外部系统交互：如调用企业API、操作数据库、控制物联网设备等；
多工具协同：如结合搜索工具、计算工具、文档处理工具完成复杂任务。

与传统的Prompt Engineering（提示词工程）相比，Function Calling具有以下优势：

结构化输出：模型以固定格式输出函数调用请求，便于程序解析执行；
自主决策：模型可根据用户需求自主判断是否需要调用工具，无需人工干预；
结果整合：模型可将工具返回的结果与自身的语言生成能力结合，生成自然语言回复；
可扩展性：通过定义不同的函数，可轻松扩展LLM的能力边界。

2.2 Function Calling 简单理解

为了帮助您快速理解Function Calling的工作流程，我们可以将其类比为一个"智能助理"的工作过程：

接收需求：用户向智能助理提出一个问题或请求，例如"帮我查询北京明天的天气"；
分析判断：智能助理分析用户需求，判断是否需要调用外部工具。如果是常识性问题，可直接回答；如果需要实时数据，则需要调用天气查询工具；
调用工具：智能助理根据需求选择合适的工具，并按照工具要求的格式传递参数，例如调用天气API，传入城市"北京"和日期"明天"；
处理结果：工具返回查询结果，智能助理将结果整理成自然语言回复用户，例如"北京明天晴转多云，气温15-25摄氏度"。

在这个过程中，Function Calling扮演的就是"智能助理"的角色，它负责连接用户需求与外部工具，实现从"思考"到"行动"的闭环。

我们可以用一个简单的流程图来表示Function Calling的基本流程：

 
   
    
      
      用户指令 → LLM分析判断 → 生成函数调用请求 → 执行外部函数 → 获取返回结果 → LLM整理结果 → 生成自然语言回复 
     
 2.3 Function Calling 原理解析

Function Calling的核心原理是通过"函数定义"和"结构化输出"两个关键环节，实现LLM与外部工具的交互。

2.3.1 函数定义

在使用Function Calling之前，我们需要向LLM提供函数的定义信息，包括函数名称、描述、参数列表等。这些信息通常以JSON格式传递给模型，帮助模型理解函数的功能和使用方法。

一个典型的函数定义示例如下：

 
   
    
      
      , "date": { "type": "string", "description": "要查询的日期，格式为YYYY-MM-DD，默认是当天" } }, "required": ["city"]  
      } }

 2.3.2 结构化输出

当LLM分析用户指令后，判断需要调用外部函数时，会以结构化的格式输出函数调用请求。目前主流LLM通常使用JSON格式输出，包含函数名称和参数列表。

一个典型的函数调用请求示例如下：

 2.3.3 执行与结果整合

程序解析LLM输出的函数调用请求后，执行对应的外部函数，并将返回结果再次传递给LLM。LLM会将工具返回的结构化结果整理成自然语言回复，最终返回给用户。

2.3.4 技术实现关键点

Prompt设计：需要在Prompt中明确告知模型可以调用的函数列表，以及函数调用的格式要求；
格式约束：需要确保模型输出符合指定的JSON格式，通常可以通过示例和格式说明来引导；
错误处理：需要处理模型输出不符合格式要求的情况，例如使用重试机制或格式校验；
结果解析：需要正确解析外部函数返回的结果，并传递给模型进行自然语言生成。

2.4 Function Calling 支持的国产模型介绍

随着国内大语言模型技术的发展，越来越多的国产模型开始支持Function Calling能力。以下是几个主流国产模型的Function Calling特性介绍：

2.4.1 文心一言（ERNIE Bot）

文心一言是百度开发的大语言模型，全面支持Function Calling能力。它提供了丰富的工具调用接口，支持自定义函数定义，并且具有良好的格式稳定性。文心一言的Function Calling支持多函数并行调用，能够根据用户需求自主选择合适的函数。

2.4.2 通义千问（Qwen）

通义千问是阿里云开发的大语言模型，支持Function Calling能力。它提供了简洁的函数定义格式，并且能够根据函数描述智能判断是否需要调用工具。通义千问的Function Calling支持参数自动补全，能够根据上下文推断缺失的参数。

2.4.3 讯飞星火（Spark）

讯飞星火是科大讯飞开发的大语言模型，支持Function Calling能力。它提供了灵活的工具调用方式，支持同步和异步调用，并且具有良好的错误处理机制。讯飞星火的Function Calling支持多轮对话中的上下文保持，能够在多轮交互中正确调用工具。

2.4.4 智谱清言（GLM）

智谱清言是智谱AI开发的大语言模型，支持Function Calling能力。它提供了详细的函数定义规范，并且能够根据函数参数的描述智能生成调用请求。智谱清言的Function Calling支持工具结果的深度整合，能够将工具返回的复杂数据结构整理成自然语言回复。

2.5 Function Calling 调用外部API

调用外部API是Function Calling最常见的应用场景之一。通过Function Calling，LLM可以根据用户的自然语言指令，自主调用对应的API接口，获取实时数据或执行操作。

以下是使用Python和文心一言API实现调用天气查询API的示例：

首先，我们需要定义天气查询函数的描述：

 
   
    
      
      # 定义天气查询函数的描述  
      weather_function = 
       }, "required": ["city"] }  
      }

 接下来，我们需要实现调用文心一言API的函数： 
   
    
      
      import requests  
      import json 
      def call_ernie_bot(prompt, functions=None): 
      """ 调用文心一言API :param prompt: 用户输入的提示词 :param functions: 可选的函数列表 :return: 模型返回的结果 """ # 替换为您的API密钥 api_key = "your-api-key" url = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions_pro?access_token=" + api_key headers = { "Content-Type": "application/json" } payload = { "messages": [ { "role": "user", "content": prompt } ], "temperature": 0.7 } if functions: payload["functions"] = functions payload["function_call"] = "auto" response = requests.post(url, headers=headers, data=json.dumps(payload)) return response.json() 
     
 然后，我们需要实现天气查询的实际函数： 
   
    
      
      def get_weather(city): """ 模拟天气查询API :param city: 城市名称 :return: 天气信息 """ # 这里使用模拟数据，实际应用中可以调用真实的天气API weather_data = { "北京": {"temperature": "15-25°C", "condition": "晴转多云"}, "上海": {"temperature": "18-28°C", "condition": "阴有小雨"}, "广州": {"temperature": "22-30°C", "condition": "多云"} } if city in weather_data: return f"{city}的天气：{weather_data[city]['condition']}，气温{weather_data[city]['temperature']}" else: return f"暂不支持查询{city}的天气信息" 
     
 最后，我们将这些组件整合起来，实现完整的Function Calling流程： 
   
    
      
      def process_user_query(query): """ 处理用户查询 :param query: 用户输入的查询语句 :return: 最终回复 """ # 调用文心一言API，传入函数描述 response = call_ernie_bot(query, functions=[weather_function]) # 检查是否需要调用函数 if "result" in response and "function_call" in response["result"]: function_call = response["result"]["function_call"] function_name = function_call["name"] function_args = function_call["parameters"] # 根据函数名称调用对应的函数 if function_name == "get_weather": city = function_args.get("city") if city: weather_result = get_weather(city) # 将函数返回结果再次传递给模型，生成自然语言回复 final_response = call_ernie_bot(f"根据以下天气信息生成自然语言回复：{weather_result}") return final_response["result"] else: return "请提供要查询的城市名称" else: return f"不支持的函数调用：{function_name}" else: # 直接返回模型生成的回复 return response["result"]  
      示例使用 
      user_query = "帮我查询北京的天气" result = process_user_query(user_query) print(result)

 2.6 Function Calling 进行数据库操作

除了调用外部API，Function Calling还可以用于执行数据库操作。通过Function Calling，LLM可以根据用户的自然语言指令，生成对应的SQL语句并执行，实现数据的查询、插入、更新和删除操作。

以下是使用Python和文心一言API实现数据库操作的示例：

首先，我们需要定义数据库操作函数的描述：

 
   
    
      
      # 定义数据库查询函数的描述  
      db_query_function = { 
      "name": "execute_sql", "description": "执行SQL查询语句，获取数据库中的数据", "parameters": { "type": "object", "properties": { "sql": { "type": "string", "description": "要执行的SQL查询语句" } }, "required": ["sql"] }  
      }

 接下来，我们需要实现执行SQL语句的函数： 
   
    
      
      import sqlite3  
      def execute_sql(sql): 
      """ 执行SQL查询语句 :param sql: SQL查询语句 :return: 查询结果 """ # 连接到SQLite数据库（如果不存在则创建） conn = sqlite3.connect('example.db') cursor = conn.cursor() try: # 执行SQL语句 cursor.execute(sql) # 如果是查询语句，返回查询结果 if sql.strip().upper().startswith('SELECT'): results = cursor.fetchall() columns = [desc[0] for desc in cursor.description] return {"columns": columns, "data": results} else: # 如果是修改语句，提交事务 conn.commit() return {"message": f"执行成功，影响了{cursor.rowcount}行数据"} except Exception as e: return {"error": str(e)} finally: # 关闭连接 conn.close()  
      初始化数据库，创建示例表 
      def init_database(): 
      conn = sqlite3.connect('example.db') cursor = conn.cursor() # 创建用户表 cursor.execute(''' CREATE TABLE IF NOT EXISTS users ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL, age INTEGER, email TEXT UNIQUE NOT NULL ) ''') # 插入示例数据 cursor.execute(''' INSERT OR IGNORE INTO users (name, age, email) VALUES ('张三', 25, ''), ('李四', 30, ''), ('王五', 28, '') ''') conn.commit() conn.close()  
      初始化数据库 
      init_database()

 然后，我们将这些组件整合起来，实现完整的数据库操作流程： 
   
    
      
      def process_db_query(query): """ 处理数据库查询 :param query: 用户输入的查询语句 :return: 最终回复 """ # 调用文心一言API，传入函数描述 response = call_ernie_bot(query, functions=[db_query_function]) # 检查是否需要调用函数 if "result" in response and "function_call" in response["result"]: function_call = response["result"]["function_call"] function_name = function_call["name"] function_args = function_call["parameters"] # 根据函数名称调用对应的函数 if function_name == "execute_sql": sql = function_args.get("sql") if sql: db_result = execute_sql(sql) # 将函数返回结果再次传递给模型，生成自然语言回复 final_response = call_ernie_bot(f"根据以下数据库查询结果生成自然语言回复：{json.dumps(db_result)}") return final_response["result"] else: return "请提供要执行的SQL语句" else: return f"不支持的函数调用：{function_name}" else: # 直接返回模型生成的回复 return response["result"]  
      示例使用 
      user_query = "帮我查询所有用户的姓名和年龄" result = process_db_query(user_query) print(result)

 2.7 多 Function Calling 的使用

在实际应用中，我们往往需要同时使用多个工具来完成复杂任务。Function Calling支持多函数调用，LLM可以根据用户需求自主选择合适的函数组合，实现多工具协同工作。

以下是使用Python和文心一言API实现多函数调用的示例：

首先，我们需要定义多个函数的描述：

 
   
    
      
      # 定义天气查询函数的描述  
      weather_function = 
       }, "required": ["city"] }  
      } 
      定义股票查询函数的描述 
      stock_function = 
       }, "required": ["symbol"] }  
      } 
      定义翻译函数的描述 
      translate_function = { 
      "name": "translate_text", "description": "将文本从一种语言翻译成另一种语言", "parameters": { "type": "object", "properties": { "text": { "type": "string", "description": "要翻译的文本" }, "target_language": { "type": "string", "description": "目标语言，如en（英语）、ja（日语）、fr（法语）等" } }, "required": ["text", "target_language"] }  
      }

 接下来，我们需要实现这些函数的实际逻辑： 
   
    
      
      def get_weather(city): """ 模拟天气查询API :param city: 城市名称 :return: 天气信息 """ weather_data = { "北京": {"temperature": "15-25°C", "condition": "晴转多云"}, "上海": {"temperature": "18-28°C", "condition": "阴有小雨"}, "广州": {"temperature": "22-30°C", "condition": "多云"} } if city in weather_data: return f"{city}的天气：{weather_data[city]['condition']}，气温{weather_data[city]['temperature']}" else: return f"暂不支持查询{city}的天气信息"  
      def get_stock_price(symbol): 
      """ 模拟股票价格查询API :param symbol: 股票代码 :return: 股票价格信息 """ stock_data = { "": {"name": "浦发银行", "price": "7.85元", "change": "+0.5%"}, "000001": {"name": "平安银行", "price": "12.30元", "change": "-0.2%"}, "": {"name": "中国平安", "price": "55.60元", "change": "+1.2%"} } if symbol in stock_data: stock = stock_data[symbol] return f"{stock['name']}（{symbol}）当前价格：{stock['price']}，涨跌幅：{stock['change']}" else: return f"暂不支持查询股票代码{symbol}的价格信息"  
      def translate_text(text, target_language): 
      """ 模拟翻译API :param text: 要翻译的文本 :param target_language: 目标语言 :return: 翻译结果 """ # 这里使用简单的映射关系，实际应用中可以调用真实的翻译API translations = { "你好": {"en": "Hello", "ja": "こんにちは", "fr": "Bonjour"}, "谢谢": {"en": "Thank you", "ja": "ありがとう", "fr": "Merci"}, "再见": {"en": "Goodbye", "ja": "さようなら", "fr": "Au revoir"} } if text in translations and target_language in translations[text]: return translations[text][target_language] else: return f"暂不支持将'{text}'翻译成" 
     
 然后，我们将这些组件整合起来，实现多函数调用流程： 
   
    
      
      def process_multi_function_query(query): """ 处理多函数查询 :param query: 用户输入的查询语句 :return: 最终回复 """ # 调用文心一言API，传入多个函数描述 response = call_ernie_bot(query, functions=[weather_function, stock_function, translate_function]) # 检查是否需要调用函数 if "result" in response and "function_call" in response["result"]: function_call = response["result"]["function_call"] function_name = function_call["name"] function_args = function_call["parameters"] # 根据函数名称调用对应的函数 if function_name == "get_weather": city = function_args.get("city") if city: result = get_weather(city) else: result = "请提供要查询的城市名称" elif function_name == "get_stock_price": symbol = function_args.get("symbol") if symbol: result = get_stock_price(symbol) else: result = "请提供要查询的股票代码" elif function_name == "translate_text": text = function_args.get("text") target_language = function_args.get("target_language") if text and target_language: result = translate_text(text, target_language) else: result = "请提供要翻译的文本和目标语言" else: result = f"不支持的函数调用：{function_name}" # 将函数返回结果再次传递给模型，生成自然语言回复 final_response = call_ernie_bot(f"根据以下结果生成自然语言回复：{result}") return final_response["result"] else: # 直接返回模型生成的回复 return response["result"]  
      示例使用 
      user_query1 = "帮我查询上海的天气" result1 = process_multi_function_query(user_query1) print(result1) 
      user_query2 = "帮我查询中国平安的股票价格" result2 = process_multi_function_query(user_query2) print(result2) 
      user_query3 = "把’你好’翻译成英语" result3 = process_multi_function_query(user_query3) print(result3)

3.1 选择题

以下哪项不是Function Calling的优势？（）
A. 结构化输出 B. 自主决策 C. 离线运行 D. 结果整合
以下哪个国产模型不支持Function Calling能力？（）
A. 文心一言 B. 通义千问 C. 讯飞星火 D. 以上都支持
Function Calling最核心的作用是？（）
A. 提升文本生成质量 B. 实现LLM与外部工具的交互 C. 减少模型训练成本 D. 提高模型推理速度

答案：1.C；2.D；3.B

3.2 填空题

Function Calling的基本流程包括：用户指令、、生成函数调用请求、执行外部函数、获取返回结果、、生成自然语言回复。
在使用Function Calling之前，需要向LLM提供___信息，包括函数名称、描述、参数列表等。
Function Calling支持多函数调用，LLM可以根据用户需求自主选择合适的___，实现多工具协同工作。

答案：1.LLM分析判断、LLM整理结果；2.函数定义；3.函数组合

3.3 简答题

简述Function Calling与传统Prompt Engineering的区别。
举例说明Function Calling在运维工作中的应用场景。

答案：

传统Prompt Engineering主要通过优化提示词来引导模型生成高质量的文本，仍然局限于模型自身的知识和能力范围；而Function Calling则允许模型调用外部工具，扩展了模型的能力边界，能够处理实时数据、执行计算操作和访问外部系统。Function Calling具有结构化输出、自主决策、结果整合和可扩展性等优势。
Function Calling在运维工作中的应用场景包括：
- 自动查询服务器状态：根据用户的自然语言指令，调用服务器监控API，获取CPU、内存、磁盘等使用情况；
- 自动化故障排查：当系统出现异常时，自动调用日志分析工具，定位故障原因；
- 批量执行运维操作：根据用户需求，生成并执行批量操作脚本，如批量重启服务、批量更新配置等；
- 智能告警处理：接收告警信息后，自动调用相关工具进行分析，并给出处理建议。

3.4 实操题

使用Python和文心一言API实现一个智能客服系统，要求具备以下功能：

能够根据用户的自然语言指令，自主判断是否需要调用外部工具；
支持查询订单状态、查询物流信息和退换货申请三个功能；
能够将工具返回的结果整理成自然语言回复用户。

参考实现思路：

定义三个函数的描述：查询订单状态、查询物流信息、退换货申请；

实现这三个函数的实际逻辑（可以使用模拟数据）；

调用文心一言API，传入函数描述，获取模型返回的函数调用请求；

解析函数调用请求，执行对应的函数；

将函数返回结果再次传递给模型，生成自然语言回复；

实现一个简单的交互界面，允许用户输入查询语句并获取回复。

Function Calling作为大语言模型的核心扩展能力，为AI技术的应用带来了革命性的变化。它让LLM从"文本生成器"升级为"任务调度者"，能够连接外部工具和系统，实现从"思考"到"行动"的闭环。

本教案从Function Calling的基础概念入手，详细解析了其工作原理、应用场景和实践方法。通过调用外部API、执行数据库操作和多函数协同等示例，展示了Function Calling的强大能力。同时，我们还介绍了支持Function Calling的国产模型，为开发者提供了更多的选择。

随着AI技术的不断发展，Function Calling将在更多领域得到应用，推动AI系统向更智能、更实用的方向发展。掌握Function

Calling技术，将为您的AI开发工作带来新的思路和方法，帮助您构建更加强大的智能应用。

🌟 感谢您耐心阅读到这里！

🚀 技术成长没有捷径，但每一次的阅读、思考和实践，都在默默缩短您与成功的距离。

💡 如果本文对您有所启发，欢迎点赞👍、收藏📌、分享📤给更多需要的伙伴！

🗣️ 期待在评论区看到您的想法、疑问或建议，我会认真回复，让我们共同探讨、一起进步～

🔔 关注我，持续获取更多干货内容！

🤗 我们下篇文章见！

第6节：Function Calling深度剖析

文章目录

2.1 Function Calling 介绍

2.2 Function Calling 简单理解

2.3 Function Calling 原理解析

2.3.1 函数定义

2.3.2 结构化输出

2.3.3 执行与结果整合

2.3.4 技术实现关键点

2.4 Function Calling 支持的国产模型介绍

2.4.1 文心一言（ERNIE Bot）

2.4.2 通义千问（Qwen）

2.4.3 讯飞星火（Spark）

2.4.4 智谱清言（GLM）

2.5 Function Calling 调用外部API

示例使用

2.6 Function Calling 进行数据库操作

初始化数据库，创建示例表

初始化数据库

示例使用

2.7 多 Function Calling 的使用

定义股票查询函数的描述

定义翻译函数的描述

示例使用

3.1 选择题

3.2 填空题

3.3 简答题

3.4 实操题

相关推荐