【值得收藏】大模型“超能力“：Function Calling实现实时数据获取与系统交互

原创于 2025-11-27 18:40:51 发布 · 349 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #大模型学习 #AI大模型 #大模型教程 #大模型入门 #LLM #大模型

前言

现如今我们已经习惯了大模型能回答问题、写代码、生成文案，但**大模型本身其实“手无缚鸡之力”，**它无法直接访问数据库、不能实时获取天气。

但现如今的大模型又是怎么做到这些的呢？答案就是——Function Calling（函数调用）。

什么是 Function Calling？

Function Calling 是一种让大模型在理解用户自然语言后，主动调用外部工具或函数的能力。

大模型本身无法直接操作外部系统（如数据库、计算工具），但通过调用预设函数，可以完成：实时数据获取（天气、股价、新闻）、复杂计算（数学运算、代码执行）、操作外部系统（发送邮件、控制智能设备）

模型可将用户自然语言请求转化为结构化参数，传递给函数。例如：用户说“明天北京天气如何？” → 模型调用 get_weather(location=“北京”, date=“2025-05-06”)

模型可根据上下文决定是否/何时调用函数，甚至链式调用多个函数（如先查天气，再推荐穿搭）。

举个例子🌰

我将询问千问大模型北京的天气怎么样，并让千文使用我们自定义的函数查询天气信息并返回个用户天气信息。

首先我们定义一个工具函数，json格式的，是为了让大模型了解这个函数时干什么的，函数参数是什么。

import requests
from http import HTTPStatus
import dashscope
import os
# 设置 DashScope API Key
dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")# 高德天气 API 的 天气工具定义（JSON 格式）
weather_tool = {
"type": "function",
"function": {
"name": "get_current_weather",
"description": "Get the current weather in a given location",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city name, e.g. 北京",
},
"adcode": {
"type": "string",
"description": "The city code, e.g. 110000 (北京)",
}
},
"required": ["location"],
},
},
}

接着编写天气条用的函数

def get_current_weather(location: str, adcode: str = None):
"""调用高德地图API查询天气"""
gaode_api_key = os.getenv("GAOGE_API_KEY")  # 替换成你的高德API Key
base_url = "https://restapi.amap.com/v3/weather/weatherInfo"
params = {
"key": gaode_api_key,
"city": adcode if adcode else location,
"extensions": "base",  # 可改为 "all" 获取预报
}
response = requests.get(base_url, params=params)
if response.status_code == 200:
return response.json()
else:
return {"error": f"Failed to fetch weather: {response.status_code}"}

通过dashscope调用大模型回答问题，大模型会根据之前的函数定义信息构造出函数需要的参数值和参数格式，再调用函数。

"""使用 Qwen3 + 查询天气"""
messages = [
{"role": "system", "content": "你是一个智能助手，可以查询天气信息。"},
{"role": "user", "content": "北京现在天气怎么样？"}
]
response = dashscope.Generation.call(
model="qwen-turbo-latest",  # 可使用 Qwen3 最新版本
messages=messages,
tools=[weather_tool],  # 传入工具定义
tool_choice="auto",  # 让模型决定是否调用工具
)
if response.status_code == HTTPStatus.OK:
# 检查是否需要调用工具
if "tool_calls" in response.output.choices[0].message:
print('response=', response.output.choices[0])
tool_call = response.output.choices[0].message.tool_calls[0]
print('tool_call=', tool_call)
if tool_call["function"]["name"] == "get_current_weather":
# 解析参数并调用高德API
import json
args = json.loads(tool_call["function"]["arguments"])
location = args.get("location", "北京")
adcode = args.get("adcode", None)
weather_data = get_current_weather(location, adcode)
print(f"查询结果：{weather_data}")
else:
print(response.output.choices[0].message.content)
else:
print(f"请求失败: {response.code} - {response.message}")

summary

怎么样，使用funcation calling是不是很简单，我们只需要将函数的具体功能实现并告诉大模型，这样大模型就会自动调用函数获取关键信息。

普通人如何抓住AI大模型的风口？

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述

AI大模型开发工程师对AI大模型需要了解到什么程度呢？我们先看一下招聘需求：

在这里插入图片描述

知道人家要什么能力，一切就好办了！我整理了AI大模型开发工程师需要掌握的知识如下：

大模型基础知识

你得知道市面上的大模型产品生态和产品线；还要了解Llama、Qwen等开源大模型与OpenAI等闭源模型的能力差异；以及了解开源模型的二次开发优势，以及闭源模型的商业化限制，等等。

了解这些技术的目的在于建立与算法工程师的共通语言，确保能够沟通项目需求，同时具备管理AI项目进展、合理分配项目资源、把握和控制项目成本的能力。

产品经理还需要有业务sense，这其实就又回到了产品人的看家本领上。我们知道先阶段AI的局限性还非常大，模型生成的内容不理想甚至错误的情况屡见不鲜。因此AI产品经理看技术，更多的是从技术边界、成本等角度出发，选择合适的技术方案来实现需求，甚至用业务来补足技术的短板。

AI Agent

现阶段，AI Agent的发展可谓是百花齐放，甚至有人说，Agent就是未来应用该有的样子，所以这个LLM的重要分支，必须要掌握。

Agent，中文名为“智能体”，由控制端（Brain）、感知端（Perception）和行动端（Action）组成，是一种能够在特定环境中自主行动、感知环境、做出决策并与其他Agent或人类进行交互的计算机程序或实体。简单来说就是给大模型这个大脑装上“记忆”、装上“手”和“脚”，让它自动完成工作。

Agent的核心特性

自主性： 能够独立做出决策，不依赖人类的直接控制。

适应性： 能够根据环境的变化调整其行为。

交互性： 能够与人类或其他系统进行有效沟通和交互。

对于大模型开发工程师来说，学习Agent更多的是理解它的设计理念和工作方式。零代码的大模型应用开发平台也有很多，比如dify、coze，拿来做一个小项目，你就会发现，其实并不难。

AI 应用项目开发流程

如果产品形态和开发模式都和过去不一样了，那还画啥原型？怎么排项目周期？这将深刻影响产品经理这个岗位本身的价值构成，所以每个AI产品经理都必须要了解它。

看着都是新词，其实接触起来，也不难。

从0到1的大模型系统学习籽料

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师（吴文俊奖得主）
在这里插入图片描述

给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。
在这里插入图片描述

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

基础篇，包括了大模型的基本情况，核心原理，带你认识了解大模型提示词，Transformer架构，预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门AI大模型
进阶篇，你将掌握RAG，Langchain、Agent的核心原理和应用，学习如何微调大模型，让大模型更适合自己的行业需求，私有化部署大模型，让自己的数据更加安全
项目实战篇，会手把手一步步带着大家练习企业级落地项目，比如电商行业的智能客服、智能销售项目，教育行业的智慧校园、智能辅导项目等等