Function Calling：让模型调用你的函数

模型不知道今天的天气，查不了你的订单，也发不了邮件。Function Calling（工具调用） 的思路是：你把能用的函数「描述」给模型，模型在需要时告诉你「请帮我调用某个函数，参数是这些」；你的程序去执行，再把结果交给模型，由它组织成最终回答。

真正执行函数的永远是你的代码，模型只负责决定调哪个、传什么。

一次完整的流程

text

用户：明天上海要带伞吗？
  │
  ▼  ① 发送：问题 + 工具描述（get_weather）
模型：我需要调用 get_weather(city="上海", date="明天")      ← tool_calls
  │
  ▼  ② 你的代码执行 get_weather，得到「小雨，18–23℃」
  │
  ▼  ③ 发送：之前的对话 + 函数结果
模型：明天上海有小雨，建议带伞，气温 18 到 23 度。          ← 最终回答

描述工具

工具用 JSON Schema 描述参数，description 写清楚「什么时候该用它」：

json

[
  {
    "type": "function",
    "function": {
      "name": "get_weather",
      "description": "查询某个城市某一天的天气预报",
      "parameters": {
        "type": "object",
        "properties": {
          "city": { "type": "string", "description": "城市名，如 上海" },
          "date": { "type": "string", "description": "日期，如 今天、明天、2026-10-08" }
        },
        "required": ["city", "date"]
      }
    }
  }
]

动手：看模型要调用什么

下面的运行框只演示第 ① 步：模型收到问题和工具描述后，返回它想调用的函数和参数。换几个问题试试，比如问一个和天气无关的问题，模型会直接回答而不调用工具。

▶ 动手试试

登录后运行登录 HiveGPT 后每天有免费运行次数

示例输出（之前运行的结果）

[
  {
    "name": "get_weather",
    "arguments": { "city": "上海", "date": "明天" }
  }
]

完整代码：执行函数，再把结果发回去

python

import json, os
from openai import OpenAI

client = OpenAI(base_url="https://hivegpt.cn/v1", api_key=os.environ["HIVEGPT_API_KEY"])

def get_weather(city, date):
    # 真实项目里这里去调天气接口；演示用写死的数据
    return {"city": city, "date": date, "weather": "小雨", "temp": "18–23℃"}

TOOLS = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "查询某个城市某一天的天气预报",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string"},
                "date": {"type": "string"},
            },
            "required": ["city", "date"],
        },
    },
}]

messages = [{"role": "user", "content": "明天上海要带伞吗？"}]

# ① 第一次请求：模型决定要不要调用工具
resp = client.chat.completions.create(model="gpt-5.5", messages=messages, tools=TOOLS)
msg = resp.choices[0].message

if msg.tool_calls:
    messages.append(msg)  # 把「模型要调用工具」这条也放进历史
    for call in msg.tool_calls:
        args = json.loads(call.function.arguments)
        result = get_weather(**args)  # ② 你的代码执行函数
        messages.append({
            "role": "tool",
            "tool_call_id": call.id,  # 对应是哪一次调用
            "content": json.dumps(result, ensure_ascii=False),
        })
    # ③ 第二次请求：模型拿到结果，组织最终回答
    resp = client.chat.completions.create(model="gpt-5.5", messages=messages, tools=TOOLS)

print(resp.choices[0].message.content)

要点：

模型返回工具调用时，finish_reason 是 tool_calls，content 通常为空。
arguments 是字符串形式的 JSON，要先解析；解析失败或参数不合理时，可以把错误信息当作函数结果发回去，让模型修正。
一次可能返回多个工具调用（比如同时查两个城市），要循环处理，每个结果用 tool_call_id 对应上。

安全：模型给的参数不可信

参数是模型「生成」出来的，可能被用户的话误导。凡是会改数据、花钱、发消息的函数：

在你的代码里做权限检查，不要因为模型说要调就直接执行；
金额、收件人这类关键参数，执行前让用户确认；
只给模型它需要的工具，不要把「删除数据」这类函数也挂上去。

小结

你描述工具，模型决定调用，你的代码执行，再把结果交回模型。
读 tool_calls，解析 arguments，用 tool_call_id 回传结果。
有副作用的操作，权限和确认都在你的代码里做。

把「调用工具 → 看结果 → 再决定下一步」放进一个循环，就是 Agent。后面的 A6 会从这里继续。下一课 A5 讲 Embedding 和 RAG：让模型基于你自己的资料回答问题。

Function Calling：让模型调用你的函数

一次完整的流程 ​

描述工具 ​

动手：看模型要调用什么 ​

完整代码：执行函数，再把结果发回去 ​

安全：模型给的参数不可信 ​

小结 ​

一次完整的流程

描述工具

动手：看模型要调用什么

完整代码：执行函数，再把结果发回去

安全：模型给的参数不可信

小结