Function Calling —— AI 怎么学会"调工具"的

来源：2023 年 6 月 OpenAI 发布 Function Calling，随后成为所有主流模型的标配
一句话：Function Calling = 你先把"有哪些工具"告诉模型，模型不自己执行，只回复一张"点菜单"（函数名 + 参数），由你的代码去执行，再把结果喂回给它。

1. 它解决什么问题

第 1 篇末尾说过，LLM 的三大残疾之一：只会说话，不会动手。你问它"北京现在多少度"，它只能瞎编——因为它根本没联网。

Function Calling 的思路非常聪明：模型不需要真的联网，它只需要"会说要什么"。

2. 工作原理（一次完整往返）

你的程序                          模型
   │ ① "这是工具清单+用户问题" ──→ │
   │                             │ 模型思考：要答这题得先查天气
   │ ② ←── "请调用 get_weather(城市=北京)"（结构化 JSON）
   │
   │ ③ 你的代码真的去调天气 API，拿到 28℃
   │
   │ ④ "工具返回：28℃" ──→ │
   │                      │ 模型组织语言
   │ ⑤ ←── "北京现在 28℃，晴" ✅

核心认知：模型自始至终没执行任何东西。 它只是输出了一段结构化的"我要调 XX 函数、参数是 YY"，真正动手的是你的代码。这就是"点菜"和"做菜"的分工。

3. 代码示例（OpenAI 兼容协议）

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "查询指定城市当前天气",
        "parameters": {
            "type": "object",
            "properties": {"city": {"type": "string", "description": "城市名"}},
            "required": ["city"]
        }
    }
}]

# 第 1 步：带上工具清单发起对话
resp = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "北京现在多少度？"}],
    tools=tools
)

# 第 2 步：模型如果决定调工具，会返回 tool_calls
call = resp.choices[0].message.tool_calls[0]
# call.function.name == "get_weather"
# call.function.arguments == '{"city": "北京"}'

# 第 3 步：你的代码执行真正的查询（这里假装调了天气 API）
result = query_weather_api(city="北京")   # → "28℃，晴"

# 第 4 步：把结果喂回模型，让它组织最终回答
resp2 = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "user", "content": "北京现在多少度？"},
        {"role": "assistant", "tool_calls": [call]},
        {"role": "tool", "content": result}
    ],
    tools=tools
)
print(resp2.choices[0].message.content)   # "北京现在 28℃，晴。"

4. 和其他概念的区别

概念	模型扮演的角色	典型场景
Function Calling	点菜（说清要调什么）	查天气、查订单、发邮件——单次工具调用
MCP（第 5 篇）	点菜 + 统一菜单标准	让模型用上"全城餐厅共享菜单"，不用每家重新写
Agent（第 5 篇）	自己点菜、吃、再点、循环到饱	多步骤任务：查→算→再查→汇总

MCP 出现之前：你有 M 个应用想接 N 个工具，要写 M×N 份适配代码。MCP 之后：工具写一次 MCP Server，所有支持 MCP 的模型/应用都能用——这就是它被称为"AI 的 USB-C"的原因。

5. 能用来干什么

查实时数据：天气、股价、物流、汇率
操作业务系统：查数据库、写工单、控制智能家居
内容处理：调 OCR、翻译、TTS 服务
你博客的例子：「AI 专栏文章被搜索」→ 模型调你后端的 search_posts 函数返回结果

下一篇：模型还是不认识你的私有文档——RAG 知识库，让 AI"开卷考试"。