0.1、OpenAI Api可以在提示词中调用函数吗?

1、OpenAI 可以在提示词中调用函数吗?

答案是:不能直接在提示词中像调用函数一样执行代码。​​
但是，OpenAI 提供了更强大、更结构化的方式来实现类似“调用函数”的功能，这主要通过 ​​Function Calling​​ 机制来实现。

2、常见的误解：在提示词中“调用函数”

很多用户会尝试这样写提示词，但这是​​无效的​​：
​​错误示例：​​

“请总结以下文章的主要内容，然后 calculate_read_time(article_text)计算阅读时间。”

AI 模型会把你写的 calculate_read_time(article_text)也当作自然语言文本来理解，它不会去执行这个函数。它可能会在回复中说：“好的，文章的主要内容是……阅读时间大约是 5 分钟。” 但这个“5分钟”是它​​猜测​​的，而不是通过真正执行你的函数计算出来的。

3、 正确的强大工具：Function Calling

准确的说，OpenAI 可以在你提供完备的函数信息这个前提下，协助你做上下文的串联，类似 AI处理-Json 格式结果-仍然由你把Json结果传入函数-函数结果-AI 再处理-输出

3.1、AI 帮你决策是否应调用函数并提供JSON化参数，仍需你解析JSON完成后续调用

这是 OpenAI API 的一个正式功能，允许你​​描述一系列函数（工具）​​ 给 AI 模型，然后模型可以根据对话上下文，​​智能地判断是否需要调用函数​​，并返回一个结构化的 JSON 对象，告诉你应该调用哪个函数以及参数是什么。真正的函数执行是在你的代码中完成的。

工作流程如下：​​
​​1）你（开发者）​​：定义好你可供调用的函数列表（包括函数名、描述、参数 schema）。
​​2）你​​：将用户请求和函数列表一起发送给 AI 模型（如 gpt-3.5-turbo, gpt-4）。
​​3）AI 模型​​：分析用户的请求。如果发现需要调用你提供的函数才能完成请求，它不会执行函数，而是会返回一个结构化的 JSON 响应，其中包含：
function_name: 建议调用的函数名。
arguments: 调用该函数所需的参数（也是一个 JSON 对象）。
​​4）你（开发者）​​：在你的服务器端代码中接收到这个 JSON 响应，然后​​根据模型返回的信息，真正地执行你本地定义的函数​​（比如查询数据库、调用外部 API、进行计算等）。
​​5）你​​：将函数执行的结果再次发送给 AI 模型。
​​6）AI 模型​​：结合之前的对话历史和函数执行的结果，生成最终的自然语言回复给用户。

3.2、举个例子:假设做一个能查询天气的聊天机器人

from openai import OpenAI
import json
import requests

client = OpenAI(api_key="你的API密钥")

# 第1步：定义可供AI调用的函数工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_current_weather",
            "description": "获取指定城市的当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "城市名称，例如：北京",
                    },
                    "unit": {
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"],
                        "description": "温度单位，摄氏度或华氏度",
                    },
                },
                "required": ["location"],
            },
        },
    }
]

# 第2步：将用户请求和工具列表发送给AI
messages = [{"role": "user", "content": "北京今天天气怎么样？"}]
response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=messages,
    tools=tools,
    tool_choice="auto", # 让模型自己决定是否调用函数
)

response_message = response.choices[0].message
print("AI的初始回复:", response_message)

# 第3步：检查AI是否想要调用函数
if response_message.tool_calls:
    # 通常只有一个工具调用，我们取第一个
    tool_call = response_message.tool_calls[0]
    function_name = tool_call.function.name
    function_args = json.loads(tool_call.function.arguments)

    # 第4步：在你的代码中执行真正的函数！
    if function_name == "get_current_weather":
        # 这里模拟一个天气API调用
        # 真实场景中，你可能会调用和风天气、OpenWeatherMap等API
        weather_data = {
            "location": function_args["location"],
            "temperature": "22",
            "unit": "celsius",
            "forecast": ["晴朗", "微风"],
        }
        print("函数执行结果:", weather_data)

    # 第5步：将函数执行结果返回给AI，让它来组织语言回答用户
    messages.append(response_message) # 添加AI的上一轮回复（包含工具调用请求）
    messages.append(
        {
            "tool_call_id": tool_call.id,
            "role": "tool",
            "name": function_name,
            "content": json.dumps(weather_data), # 将函数结果作为内容
        }
    )

    # 第6步：将对话历史和函数结果发送给AI，让它生成最终回答
    second_response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=messages,
    )
    
    final_reply = second_response.choices[0].message.content
    print("\n给用户的最终回答：", final_reply) # 例如：“北京今天天气晴朗，气温22摄氏度，有微风。”

4、GPT 版本的选择

​​在满足任务要求的前提下，选择最便宜、最快的模型。​
能力排名：GPT-4o(原生全模态) > GPT-4 Turbo(支持视觉) > GPT-4(支持视觉) > GPT-3.5-Turbo(纯文本)
成本排名：GPT-3.5-Turbo < GPT-4o < GPT-4 Turbo ≈ GPT-4​

模型系列	核心特点	成本（输入/输出，相对比较）	最佳适用场景（从成本角度）
​​GPT-4o	​​最新旗舰，速度快，能力最强，成本低于GPT-4 Turbo，支持多模态	​​低（输入） / 中（输出）​​比GPT-4 Turbo更便宜	​​大多数原本计划用GPT-4 Turbo的场景​​。现在是性能、速度和成本的最佳平衡点，是​​新项目的默认首选​​.
​​GPT-4 Turbo​​	能力强，知识更新（至2023年底），上下文长（128k）	​​中（输入） / 高（输出）​​比GPT-4便宜	需要极强推理能力、复杂指令遵循、或超长上下文的高要求任务。当GPT-4o无法满足要求时考虑。
​​GPT-4​​	能力强，知识较旧（2021年），速度慢，价格高	高（输入） / 高（输出）​​最昂贵的系列	基本被GPT-4 Turbo淘汰​​。除非有特定兼容性需求，否则不应作为新选择。
​​GPT-3.5-Turbo​​	速度极快，成本极低，但能力相对较弱	​​极低（输入） / 极低（输出）​​最具成本效益	​​1. 大量、简单的对话和任务​​（客服机器人、草稿生成）。2. 成本极度敏感的原型测试和大规模应用。​​

4.1. GPT-3.5-Turbo：你的“经济型工作马”

​​成本定位​​：​​极致性价比​​。它的输入/输出 token 价格通常是 GPT-4 系列的几十分之一。
​​适用场景​​：
​​聊天机器人和客服​​：处理大量、常见的用户咨询，无需深度推理。
​​文本摘要和简单内容生成​​：对质量要求不极高的草稿、邮件、简单文章生成。
​​概念解释和翻译​​：不需要最新知识的通用任务。
​​产品原型开发和测试​​：在投入大量成本前，用便宜的模型验证想法。
​​成本控制建议​​：
​​首选模型​​。任何不需要 GPT-4 系列强大推理能力的任务，都应优先使用它。如果你的应用 80% 的任务都能由 GPT-3.5-Turbo 很好地处理，你将节省超过 90% 的成本。

4.2. GPT-4o：新时代的“性价比之王”

​​成本定位​​：​​高性能与低成本的优秀平衡​​。它的设计目标之一就是提供类似 GPT-4 的能力，但价格更低、速度更快。
​​适用场景​​：
​​需要较强推理的通用助手​​：替代大部分原本需要使用 GPT-4 Turbo 的场景。
​​多模态任务（视觉）​​：需要理解图片内容并回答问题。
​​对响应速度有要求的复杂任务​​：如需要复杂逻辑的代码生成、数据分析。
​​成本控制建议​​：
​​作为升级版默认选择​​。当 GPT-3.5-Turbo 无法满足质量要求时，​​首先尝试 GPT-4o​​，而不是直接跳到更贵的 GPT-4 Turbo。它通常能以更低成本达到足够好的效果。

4.3. GPT-4 Turbo：特定领域的“专业工具”

​​成本定位​​：​​高端能力，价格不菲​​。虽然比旧版 GPT-4 便宜，但依然远高于 GPT-4o 和 GPT-3.5-Turbo。
​​适用场景​​：
​​极高要求的复杂推理​​：如高级数学、物理问题求解，复杂的战略分析。
​​需要最新知识的任务​​（知识截止到 2023年4月）。
​​处理超长文档​​（128K 上下文）：需要模型同时理解和分析整本书、长篇法律文件等。
​​成本控制建议​​：
​​精准使用​​。仅在任务明确超出 GPT-4o 能力范围时使用。例如，你的应用 95% 的请求由 GPT-3.5-Turbo 处理，4% 由 GPT-4o 处理，只有最顶尖的 1% 复杂请求才交给 GPT-4 Turbo。这是一种“模型级联”的成本优化策略。

5、其他模型也有类似支持

6、(上面提到的)函数和MCP 的组合模式

通常是在函数里封装MCP的能力

# 初期：直接函数调用（简单项目）
def simple_weather_query(city: str) -> str:
    return requests.get(f"https://api.weather.com/{city}").json()

# 演进：引入MCP（复杂项目）
def advanced_weather_analysis(city: str, days: int) -> dict:
    # 业务逻辑
    forecast = mcp_client.call_tool("weather", "get_forecast", {"city": city, "days": days})
    # 数据分析
    trends = mcp_client.call_tool("analytics", "analyze_trend", forecast)
    return format_analysis(trends)

6.1、需要注意

不同模型和 MCP 交互不一样，如果多模型共存，需要考虑屏蔽这一差异

• 错误理解

AI模型1 ──┐
AI模型2 ──┤──▶ MCP服务器 ──▶ 工具实现
AI模型3 ──┘

• 正确理解
  AI模型1 ──┐
  AI模型2 ──┤──▶ 统一适配层 ──▶ MCP客户端 ──▶ MCP服务器 ──▶ 工具实现
  AI模型3 ──┘

• MCP 服务是唯一的，但是调用前，不同的模型提供的交互出入参数需要做格式适配，就是在函数入参和函数调用MCP服务器之间，做一层封装处理