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。



2026 年，AI Agent 已经从「能调用工具的聊天机器人」进化为「可持续运行的软件系统」。一个成熟的 Agent 可以：

这不是概念性的差距——而是能不能帮你干活的差距。

Function Calling（也叫 Tool Use / Tool Calling）是 AI Agent 的核心引擎。它的工作流程可以用一句话概括：

完整的 Agent Loop 是这样运转的：

用户输入 → 模型推理 → 是否需要工具？ ├─ 否 → 直接回复用户 └─ 是 → 输出工具调用指令 ↓ 开发者代码执行工具 ↓ 执行结果返回模型 ↓ 模型继续推理（可能再次调用工具） ↓ 最终回复用户 

每个 Function Calling 实现都需要三个核心组件：

pip install openai httpx 

我们只需要 openai 这一个 SDK——因为所有主流模型（GPT、Claude、Gemini、DeepSeek、Qwen）都兼容 OpenAI 的 API 协议。一套代码，多模型通用。

from openai import OpenAI # 使用 OpenAI 兼容接口，可接入 50+ 模型 client = OpenAI( api_key="your-api-key", base_url="https://api.ofox.ai/v1" # API 聚合网关，国内低延迟 ) 

提示：如果你直接用 OpenAI 官方 API，把 base_url 改为 https://api.openai.com/v1 即可。代码逻辑完全不变。

从最经典的案例开始——一个能查天气的 AI Agent。

tools = [ , "unit": { "type": "string", "enum": ["celsius", "fahrenheit"], "description": "温度单位，默认摄氏度" } }, "required": ["city"] } } } ] 

关键要点：description 字段非常重要——模型根据描述决定什么时候调用这个工具。描述越精确，模型的判断越准确。

import httpx import json def get_weather(city: str, unit: str = "celsius") -> str: """调用天气 API 获取实时数据""" # 这里用 wttr.in 作为示例，生产环境建议用付费天气 API resp = httpx.get(f"https://wttr.in/{city}?format=j1", timeout=10) data = resp.json() current = data["current_condition"][0] temp = current["temp_C"] if unit == "celsius" else current["temp_F"] unit_label = "°C" if unit == "celsius" else "°F" return json.dumps({ "city": city, "temperature": f"{temp}{unit_label}", "humidity": f"{current['humidity']}%", "description": current["weatherDesc"][0]["value"], "wind": f"{current['windspeedKmph']} km/h" }, ensure_ascii=False) 

import json # 工具函数映射表 TOOL_FUNCTIONS = def run_agent(user_message: str): """运行 Agent：发送消息 → 处理工具调用 → 返回最终结果""" messages = [ {"role": "system", "content": "你是一个智能天气助手。用自然语言回答用户的天气问题。"}, {"role": "user", "content": user_message} ] while True: # 1. 调用模型 response = client.chat.completions.create( model="openai/gpt-4.1-mini", # 也可换成 anthropic/claude-sonnet-4.5、google/gemini-2.5-flash 等 messages=messages, tools=tools, tool_choice="auto" ) msg = response.choices[0].message messages.append(msg) # 2. 如果没有工具调用，说明模型已经给出最终回复 if not msg.tool_calls: return msg.content # 3. 执行每个工具调用 for tool_call in msg.tool_calls: func_name = tool_call.function.name func_args = json.loads(tool_call.function.arguments) print(f"🔧 调用工具: {func_name}({func_args})") # 执行工具函数 result = TOOL_FUNCTIONS[func_name](func_args) # 将结果返回给模型 messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": result }) # 测试 answer = run_agent("北京和东京今天哪个更热？") print(answer) 

运行效果：

🔧 调用工具: get_weather({"city": "北京"}) 🔧 调用工具: get_weather({"city": "东京"}) 今天北京气温 18°C，东京气温 15°C，北京比东京高 3 度。 北京天气晴朗，东京多云，都适合外出活动。 

注意观察：模型自动决定要调用两次天气查询，然后对比分析结果。这就是 Agent 的魅力——它不只是转发数据，而是在推理。

真实场景中，Agent 通常需要协调多个工具。下面构建一个更复杂的助手——同时具备天气查询、数据库检索和计算能力。

tools = [ }, "required": ["city"] } } }, { "type": "function", "function": { "name": "search_database", "description": "搜索产品数据库，返回符合条件的产品列表", "parameters": { "type": "object", "properties": { "query": {"type": "string", "description": "搜索关键词"}, "category": { "type": "string", "enum": ["electronics", "clothing", "food", "books"], "description": "产品分类" }, "max_results": { "type": "integer", "description": "最大返回数量，默认 5" } }, "required": ["query"] } } }, { "type": "function", "function": { "name": "calculate", "description": "执行数学计算，支持四则运算、百分比、汇率换算等", "parameters": { "type": "object", "properties": { "expression": { "type": "string", "description": "数学表达式，如 '100 * 0.85' 或 '1999 * 3 + 500'" } }, "required": ["expression"] } } } ] 

def search_database(query: str, category: str = None, max_results: int = 5) -> str: """模拟数据库搜索（实际项目中连接真实数据库）""" # 模拟数据 products = [ {"name": "MacBook Pro 16", "price": 18999, "category": "electronics", "stock": 50}, {"name": "iPhone 16 Pro", "price": 8999, "category": "electronics", "stock": 200}, {"name": "AirPods Pro 3", "price": 1899, "category": "electronics", "stock": 500}, {"name": "Python 编程指南", "price": 89, "category": "books", "stock": 1000}, ] results = [p for p in products if query.lower() in p["name"].lower() or (category and p["category"] == category)] return json.dumps(results[:max_results], ensure_ascii=False) def calculate(expression: str) -> str: """安全的数学计算（仅允许数字和基本运算符）""" import ast import operator # 使用 ast.literal_eval 的安全替代方案 allowed_operators = { ast.Add: operator.add, ast.Sub: operator.sub, ast.Mult: operator.mul, ast.Div: operator.truediv, ast.Mod: operator.mod, ast.Pow: operator.pow, ast.USub: operator.neg, } def safe_eval(node): if isinstance(node, ast.Expression): return safe_eval(node.body) elif isinstance(node, ast.Constant) and isinstance(node.value, (int, float)): return node.value elif isinstance(node, ast.BinOp) and type(node.op) in allowed_operators: left = safe_eval(node.left) right = safe_eval(node.right) return allowed_operators[type(node.op)](left, right) elif isinstance(node, ast.UnaryOp) and type(node.op) in allowed_operators: return allowed_operators[type(node.op)](safe_eval(node.operand)) else: raise ValueError(f"不支持的表达式") try: tree = ast.parse(expression, mode="eval") result = safe_eval(tree) return json.dumps({"expression": expression, "result": result}) except Exception as e: return json.dumps({"error": str(e)}) # 更新工具映射 TOOL_FUNCTIONS = 

answer = run_agent("帮我查一下电子产品里有哪些苹果设备，算算买一台 MacBook Pro 和一副 AirPods 总共多少钱") print(answer) 

🔧 调用工具: search_database({"query": "Mac", "category": "electronics"}) 🔧 调用工具: search_database({"query": "AirPods", "category": "electronics"}) 🔧 调用工具: calculate({"expression": "18999 + 1899"}) 查到两款苹果设备： - MacBook Pro 16：18,999 元（库存 50 台） - AirPods Pro 3：1,899 元（库存 500 副） 两件合计 20,898 元。如果你需要下单或了解更多配置信息，随时告诉我。 

模型自动编排了三次工具调用：两次搜索 + 一次计算。这种多工具协作是 Agent 的核心价值。

2026 年主流模型在 Function Calling 能力上各有所长。以下是基于实际测试的对比：

好消息是，如果你使用 OpenAI 兼容接口，三个模型的代码完全一样——只需要换 model 参数：

# GPT-5.4 response = client.chat.completions.create(model="openai/gpt-5.4", messages=messages, tools=tools) # Claude Sonnet 4.6 response = client.chat.completions.create(model="anthropic/claude-sonnet-4.6", messages=messages, tools=tools) # Gemini 3.1 Pro response = client.chat.completions.create(model="google/gemini-3.1-pro", messages=messages, tools=tools) 

通过 API 聚合网关（如 Ofox），用同一个 API Key 即可调用所有模型，无需管理多套密钥。

从 demo 到生产，还有几个关键问题需要处理。

def run_agent_production(user_message: str, max_rounds: int = 10): """生产级 Agent Loop，带错误处理和轮次限制""" messages = [ {"role": "system", "content": "你是一个智能助手。如果工具调用失败，告诉用户原因并建议替代方案。"}, {"role": "user", "content": user_message} ] for round_num in range(max_rounds): try: response = client.chat.completions.create( model="openai/gpt-4.1-mini", messages=messages, tools=tools, tool_choice="auto", timeout=30 ) except Exception as e: return f"API 调用失败：{e}" msg = response.choices[0].message messages.append(msg) if not msg.tool_calls: return msg.content for tool_call in msg.tool_calls: func_name = tool_call.function.name try: func_args = json.loads(tool_call.function.arguments) func = TOOL_FUNCTIONS.get(func_name) if not func: result = json.dumps({"error": f"未知工具: {func_name}"}) else: result = func(func_args) except json.JSONDecodeError: result = json.dumps({"error": "参数解析失败"}) except Exception as e: result = json.dumps({"error": f"工具执行失败: {str(e)}"}) messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": result }) return "Agent 达到最大执行轮次，请简化你的问题后重试。" 

Agent 能调用工具意味着它能产生副作用。务必做好安全防护：

# 工具权限控制 TOOL_PERMISSIONS = , # 只读，每分钟 60 次 "search_database": {"level": "read", "rate_limit": 30}, # 只读 "calculate": {"level": "compute", "rate_limit": 100}, # 计算 "send_email": {"level": "write", "require_confirm": True}, # 写操作需确认 "delete_record": {"level": "dangerous", "require_confirm": True}, # 危险操作需确认 } def execute_tool_safely(func_name: str, func_args: dict) -> str: """安全执行工具，带权限检查""" perm = TOOL_PERMISSIONS.get(func_name) if not perm: return json.dumps({"error": "未授权的工具"}) # 危险操作需要人工确认（生产环境可接入审批系统） if perm.get("require_confirm"): print(f"⚠️ 高风险操作: {func_name}({func_args})") # 在 Web 应用中可以弹出确认对话框 # confirm = await get_user_confirmation(func_name, func_args) return json.dumps({"error": "此操作需要人工确认，已发送审批请求"}) return TOOL_FUNCTIONS[func_name](func_args) 

生产环境中，流式输出能显著提升用户体验：

def run_agent_streaming(user_message: str): """流式输出的 Agent""" messages = [ {"role": "system", "content": "你是一个智能助手。"}, {"role": "user", "content": user_message} ] while True: stream = client.chat.completions.create( model="openai/gpt-4.1-mini", messages=messages, tools=tools, stream=True ) tool_calls_buffer = {} content_buffer = "" for chunk in stream: delta = chunk.choices[0].delta # 文本内容：实时输出 if delta.content: print(delta.content, end="", flush=True) content_buffer += delta.content # 工具调用：收集完整调用信息 if delta.tool_calls: for tc in delta.tool_calls: idx = tc.index if idx not in tool_calls_buffer: tool_calls_buffer[idx] = { "id": tc.id or "", "name": "", "arguments": "" } if tc.id: tool_calls_buffer[idx]["id"] = tc.id if tc.function and tc.function.name: tool_calls_buffer[idx]["name"] = tc.function.name if tc.function and tc.function.arguments: tool_calls_buffer[idx]["arguments"] += tc.function.arguments # 如果没有工具调用，返回文本内容 if not tool_calls_buffer: print() # 换行 return content_buffer # 执行工具调用并将结果加入 messages（同前面的逻辑） assistant_msg = {"role": "assistant", "content": content_buffer or None, "tool_calls": []} for idx in sorted(tool_calls_buffer.keys()): tc = tool_calls_buffer[idx] assistant_msg["tool_calls"].append({ "id": tc["id"], "type": "function", "function": {"name": tc["name"], "arguments": tc["arguments"]} }) messages.append(assistant_msg) for idx in sorted(tool_calls_buffer.keys()): tc = tool_calls_buffer[idx] func_args = json.loads(tc["arguments"]) result = TOOL_FUNCTIONS[tc["name"]](func_args) messages.append({ "role": "tool", "tool_call_id": tc["id"], "content": result }) 

长期运行的 Agent 需要管理上下文窗口：

def manage_context(messages: list, max_tokens: int = 8000) -> list: """上下文窗口管理：保留系统提示和最近的对话""" # 粗略估算 token 数（中文约 1.5 token/字） estimated_tokens = sum(len(m.get("content", "") or "") * 1.5 for m in messages) if estimated_tokens <= max_tokens: return messages # 保留 system 消息和最近的对话 system_msgs = [m for m in messages if m.get("role") == "system"] other_msgs = [m for m in messages if m.get("role") != "system"] # 从最近的消息开始保留 kept = [] current_tokens = sum(len(m.get("content", "") or "") * 1.5 for m in system_msgs) for msg in reversed(other_msgs): msg_tokens = len(msg.get("content", "") or "") * 1.5 if current_tokens + msg_tokens > max_tokens: break kept.insert(0, msg) current_tokens += msg_tokens return system_msgs + kept 

Q: AI Agent 开发需要 GPU 吗？

A: 不需要。AI Agent 开发是纯工程开发——你通过 API 调用云端的大模型，本地只需要一台普通电脑和 Python 环境。模型推理的算力由 API 服务商提供。

Q: 一个 AI Agent 调用多少工具比较合适？

A: 建议单个 Agent 控制在 5-15 个工具。工具太少则能力有限，工具太多模型选择准确率会下降。如果需要更多能力，可以拆分成多个专业 Agent 协作。

Q: Function Calling 的参数校验怎么做？

A: 推荐使用 Pydantic 做参数校验。把工具的参数定义为 Pydantic Model，自动生成 JSON Schema 并校验输入：

from pydantic import BaseModel, Field class WeatherParams(BaseModel): city: str = Field(description="城市名称") unit: str = Field(default="celsius", description="温度单位") # 自动生成 JSON Schema schema = WeatherParams.model_json_schema() 

Q: AI Agent 每次 API 调用的成本大概多少？

A: 以 GPT-4.1-mini 为例，输入 $0.4/百万 token，输出 $1.6/百万 token。一次典型的 Agent 对话（含 2-3 次工具调用）大约消耗 2000-5000 token，成本约 0.001-0.005 美元。通过 API 聚合平台通常还能获得更优惠的价格。

Q: 如何调试 Function Calling？模型不调用工具怎么办？

A: 三个排查方向：1）检查工具描述是否清晰——模型靠描述决定是否调用；2）在 system prompt 中明确告诉模型可以使用哪些工具；3）使用 tool_choice={“type”: “function”, “function”: {“name”: “xxx”}} 强制调用特定工具进行测试。