AI请你喝奶茶？背后其实是Function Calling-优快云博客

最近，千问“请大家喝奶茶”火了一把，这背后是一次真实的接口调用。
AI它不是在聊天，而是在“调接口[下单系统]”。这种能力，就叫Function Calling。
当大模型从“生成文本”升级为“调用工具”，AI 才真正开始从对话助手，变成执行系统。

Function Calling的步骤

一

Function Calling 的完整流程包括以下步骤：

定义工具（tools）：告诉 AI 你有哪些函数/工具可以调用，每个函数的参数是什么
第一次调用大模型API[如何调用大模型API]：AI 分析用户输入，决定是否需要调用函数/工具
检查响应：如果 AI 返回了 tool\_calls，说明它想调用函数/工具
执行函数/工具：根据 AI 的请求，执行实际的函数调用
第二次调用大模型API：将函数/工具执行结果返回给 AI
AI 生成最终回复：结合函数/工具结果，生成用户可读的回答

完整示例：天气查询工具

二

2.1 定义工具——调用get_weather API查询天气

#定义工具
tools = [
{
"type": "function",
"function":{
"name": "get_weather",
"description": "获取指定城市的实时天气信息",
"parameters":{
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称，例如：北京、上海"
},
"unit": {
"type": "string",
"enum": ["celsius","fahrenheit"],
"description":"温度单位：celsius（摄氏度）或fahrenheit（华氏度）"
}
},
"required": ["city"] #city是必填参数
}
}
}
]
print("工具schema已定义")
#这里我们自己定义下get_weather工具[实际使用时我们调用天气API]
def get_weather(city: str, unit: str = "celsius") -> str:
"""
获取指定城市的天气信息（Mock函数，实际调用天气API）
Args:
city: 城市名称
unit: 温度单位（celsius或fahrenheit）
Returns:
天气信息的JSON字符串
"""
#模拟天气数据
weather_data = {
"北京": {"temperature": 15, "condition": "晴天", "humidity": 45},
"上海": {"temperature": 20, "condition": "多云", "humidity": 60},
"深圳": {"temperature": 28, "condition": "小鱼", "humidity": 75},
}
#检查城市是否存在于模拟数据中
if city in weather_data:
data = weather_data[city]
if unit == 'fahrenheit':
data['temperature'] = int(data['temperature'] * 9/5 + 32)
return json.dumps({
"city": city,
"temperature": data["temperature"],
"unit": unit,
"condition": data["condition"],
"humidity": data["humidity"]
}, ensure_ascii = False)
else:
return json.dumps({"error": f"未找到 {city} 的天气数据"}, ensure_ascii = False)
print("测试天气查询函数:")
print(get_weather('北京'))
print(get_weather('上海', 'fahrenheit'))

2.2 第一次调用大模型API

import json
import os
from openai import OpenAI
from dotenv import load_dotenv
load_dotenv(override=True)
client = OpenAI(
api_key = os.getenv("DASHSCOPE_API_KEY"),
base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1")
#用户提问
user_query = "北京现在的天气怎么样？"
#初始化信息
messages = [
{"role": "system", "content": "你是一个友好的天气助手，可以查询天气信息。"},
{"role": "user", "content": user_query}
]
print(f"用户: {user_query}\n")
#第一次调用：让AI决定是否需要调用工具
response = client.chat.completions.create(
model = 'deepseek-v3.2',
messages = messages,
tools = tools, #传递工具定义
tool_choice = 'auto' #"auto"为自动决定
)

2.3 检查AI的响应：是否想调用函数/工具

if response.choices[0].message.tool_calls:
print('AI决定调用工具：')
#提取工具调用信息
tool_call = response.choices[0].message.tool_calls[0]
function_name = tool_call.function.name
function_args = json.loads(tool_call.function.arguments)
print(f" 函数名: {function_name}")
print(f" 参数: {function_args}")

2.4 执行函数/工具：根据 AI 的请求，执行实际的函数调用

if function_name == 'get_weather':
function_result = get_weather(**function_args)
print(f"函数执行结果：{function_result}\n")

2.5-2.6：第二次调用大模型API，AI生成最终回复

#将函数结果添加到消息历史
messages.append(response.choices[0].message) #AI的工具调用请求
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": function_result
})
# 第二次调用：让AI根据函数结果生成最终回复
final_response = client.chat.completions.create(
model = 'deepseek-v3.2',
messages = messages
)
final_answer = final_response.choices[0].message.content
print(f"AI 最终回复：{final_answer}")