Function Call（函数调用）是大模型与外部工具/函数交互的核心机制，其核心逻辑是：让大模型根据用户需求判断是否需要调用预设工具，若需要则生成标准化的调用指令（包含工具名、参数等），执行工具后将结果返回给模型，最终由模型整合结果生成自然语言回答。

一、Function Call的核心流程拆解

Function Call的完整流程可分为5个关键步骤，每个步骤对应具体的逻辑和目标：

1. 定义工具（Tool Definition）
   提前告诉大模型“有哪些工具可用”“工具的功能是什么”“需要传入哪些参数”，通常以结构化格式（如JSON Schema）描述，确保模型能精准理解工具的调用规则。

2. 用户提问与初始判断
   接收用户输入后，大模型结合问题和工具定义，判断“是否需要调用工具”：

   • 若问题可直接回答（如“1+1等于几”），则直接返回结果；
   • 若问题需要外部信息（如“现在几点了”“北京天气如何”），则生成工具调用指令。

3. 生成工具调用指令
   若需要调用工具，大模型会生成标准化的调用指令（包含工具名、参数等），格式需严格匹配工具定义，确保后续能被正确解析执行。

4. 执行工具并返回结果
   解析模型生成的调用指令，调用对应的工具函数，执行逻辑（如查询数据库、API调用等），并将结果以固定格式（如“tool角色”消息）返回给模型。

5. 整合结果生成最终回答
   大模型接收工具返回的结果后，结合问题和结果，生成自然语言回答，完成交互。

二、结合代码详解Function Call实现

下面结合完整的代码，逐步骤解析每个环节的具体实现，示例代码来自大模型服务平台百炼 Function Calling：

点击展开代码

from openai import OpenAI
from datetime import datetime
import json
import os
import randomclient = OpenAI(# 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx",api_key=os.getenv("DASHSCOPE_API_KEY"),base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",  # 填写DashScope SDK的base_url
)# 定义工具列表，模型在选择使用哪个工具时会参考工具的name和description
tools = [# 工具1 获取当前时刻的时间{"type": "function","function": {"name": "get_current_time","description": "当你想知道现在的时间时非常有用。",# 因为获取当前时间无需输入参数，因此parameters为空字典"parameters": {},},},# 工具2 获取指定城市的天气{"type": "function","function": {"name": "get_current_weather","description": "当你想查询指定城市的天气时非常有用。","parameters": {"type": "object","properties": {# 查询天气时需要提供位置，因此参数设置为location"location": {"type": "string","description": "城市或县区，比如北京市、杭州市、余杭区等。",}},"required": ["location"],},},},
]# 模拟天气查询工具。返回结果示例：“北京今天是雨天。”
def get_current_weather(arguments):# 定义备选的天气条件列表weather_conditions = ["晴天", "多云", "雨天"]# 随机选择一个天气条件random_weather = random.choice(weather_conditions)# 从 JSON 中提取位置信息location = arguments["location"]# 返回格式化的天气信息return f"{location}今天是{random_weather}。"# 查询当前时间的工具。返回结果示例：“当前时间：2024-04-15 17:15:18。“
def get_current_time():# 获取当前日期和时间current_datetime = datetime.now()# 格式化当前日期和时间formatted_time = current_datetime.strftime("%Y-%m-%d %H:%M:%S")# 返回格式化后的当前时间return f"当前时间：{formatted_time}。"# 封装模型响应函数
def get_response(messages):completion = client.chat.completions.create(model="qwen-plus",  # 模型列表：https://help.aliyun.com/zh/model-studio/getting-started/modelsmessages=messages,tools=tools,)return completiondef call_with_messages():print("\n")messages = [{"content": input("请输入："),  # 提问示例："现在几点了？" "一个小时后几点" "北京天气如何？""role": "user",}]print("-" * 60)# 模型的第一轮调用i = 1first_response = get_response(messages)assistant_output = first_response.choices[0].messageprint(f"\n第{i}轮大模型输出信息：{first_response}\n")if assistant_output.content is None:assistant_output.content = ""messages.append(assistant_output)# 如果不需要调用工具，则直接返回最终答案if (assistant_output.tool_calls == None):  # 如果模型判断无需调用工具，则将assistant的回复直接打印出来，无需进行模型的第二轮调用print(f"无需调用工具，我可以直接回复：{assistant_output.content}")return# 如果需要调用工具，则进行模型的多轮调用，直到模型判断无需调用工具while assistant_output.tool_calls != None:# 如果判断需要调用查询天气工具，则运行查询天气工具tool_info = {"content": "","role": "tool","tool_call_id": assistant_output.tool_calls[0].id,}if assistant_output.tool_calls[0].function.name == "get_current_weather":# 提取位置参数信息argumens = json.loads(assistant_output.tool_calls[0].function.arguments)tool_info["content"] = get_current_weather(argumens)# 如果判断需要调用查询时间工具，则运行查询时间工具elif assistant_output.tool_calls[0].function.name == "get_current_time":tool_info["content"] = get_current_time()tool_output = tool_info["content"]print(f"工具输出信息：{tool_output}\n")print("-" * 60)messages.append(tool_info)assistant_output = get_response(messages).choices[0].messageif assistant_output.content is None:assistant_output.content = ""messages.append(assistant_output)i += 1print(f"第{i}轮大模型输出信息：{assistant_output}\n")print(f"最终答案：{assistant_output.content}")if __name__ == "__main__":call_with_messages()

步骤1：定义工具（对应代码中的tools列表）

代码中通过tools列表定义了两个工具，这是大模型判断“是否调用工具”和“如何调用”的依据。每个工具的定义包含3个核心要素：

• name：工具函数的唯一标识（需与实际函数名一致，如get_current_weather）；
• description：工具的功能描述（帮助模型判断何时该用这个工具，如“查询指定城市的天气时使用”）；
• parameters：工具所需参数的结构化定义（包含参数名、类型、描述、是否必填等，确保模型传入正确参数）。

示例解析：

tools = [# 工具1：获取当前时间（无参数）{"type": "function","function": {"name": "get_current_time","description": "当你想知道现在的时间时非常有用。","parameters": {}  # 无参数，因此为空字典},},# 工具2：获取指定城市天气（需location参数）{"type": "function","function": {"name": "get_current_weather","description": "当你想查询指定城市的天气时非常有用。","parameters": {"type": "object","properties": {"location": {  # 参数名：location"type": "string",  # 参数类型：字符串"description": "城市或县区，比如北京市、杭州市"  # 参数描述}},"required": ["location"]  # 该参数为必填项}},}
]

作用：大模型会读取tools中的信息，例如当用户问“北京天气如何”时，模型会匹配到get_current_weather的description，并根据parameters知道需要传入location="北京"。

步骤2：实现工具函数（对应代码中的get_current_weather和get_current_time）

工具函数是实际执行逻辑的“执行者”，接收模型传入的参数，返回具体结果。代码中这两个函数是模拟实现（实际场景可能是调用天气API、时间接口等）。

• get_current_time：无参数，返回当前格式化时间（如“2025-07-19 15:30:00”）；
• get_current_weather：接收location参数，随机返回天气结果（如“北京今天是晴天”）。

示例解析：

def get_current_weather(arguments):weather_conditions = ["晴天", "多云", "雨天"]random_weather = random.choice(weather_conditions)location = arguments["location"]  # 从参数中提取城市return f"{location}今天是{random_weather}。"  # 返回工具结果

步骤3：模型交互与工具调用判断（对应call_with_messages函数）

这是Function Call的核心流程，负责协调用户输入、模型判断、工具执行和结果整合，具体分为以下子步骤：

子步骤3.1：初始化对话消息

用户输入作为初始消息（role="user"），存入messages列表，用于传递给模型。

messages = [{"content": input("请输入："),  # 例如用户输入“杭州天气如何？”"role": "user",}
]

子步骤3.2：首次调用模型，判断是否需要调用工具

通过get_response函数调用大模型（这里对接的是阿里云DashScope的千问模型），传入messages（用户问题）和tools（工具列表），模型会返回判断结果：

• 若无需调用工具：assistant_output.tool_calls为None，直接返回回答；
• 若需要调用工具：assistant_output.tool_calls包含调用指令（工具名、参数等）。

示例解析：

first_response = get_response(messages)  # 调用模型
assistant_output = first_response.choices[0].message  # 获取模型输出
if assistant_output.tool_calls is None:  # 无需调用工具print(f"无需调用工具，我可以直接回复：{assistant_output.content}")return

子步骤3.3：解析工具调用指令并执行工具

若模型返回tool_calls，则需解析指令并执行对应工具：

• 从tool_calls中提取工具名（function.name）和参数（function.arguments）；
• 调用对应的工具函数（如get_current_weather），传入参数，获取工具返回结果；
• 将工具结果以role="tool"的格式存入messages，并关联tool_call_id（确保模型知道结果对应哪个调用）。

示例解析：

# 循环处理工具调用（可能多轮，直到模型无需调用）
while assistant_output.tool_calls is not None:tool_call = assistant_output.tool_calls[0]  # 获取第一个工具调用指令tool_info = {"role": "tool","tool_call_id": tool_call.id,  # 关联调用ID"content": ""  # 存储工具返回结果}# 若调用的是天气工具if tool_call.function.name == "get_current_weather":arguments = json.loads(tool_call.function.arguments)  # 解析参数（如{"location":"杭州"}）tool_info["content"] = get_current_weather(arguments)  # 执行工具，获取结果# 若调用的是时间工具elif tool_call.function.name == "get_current_time":tool_info["content"] = get_current_time()  # 执行工具messages.append(tool_info)  # 将工具结果加入对话历史

子步骤3.4：多轮调用模型，整合工具结果生成最终回答

工具结果存入messages后，再次调用模型，模型会基于“用户问题+工具结果”生成最终回答。若仍需进一步调用工具（如参数缺失），则重复“解析→执行→返回”流程，直到模型判断无需调用工具，输出最终结果。

示例解析：

# 再次调用模型，传入工具结果
assistant_output = get_response(messages).choices[0].message
messages.append(assistant_output)  # 更新对话历史# 直到模型不再返回tool_calls，输出最终结果
print(f"最终答案：{assistant_output.content}")  # 例如“杭州今天是晴天。”

三、总结：代码如何实现Function Call的核心逻辑

1. 工具定义：通过tools列表让模型“认识”可用工具及调用规则；
2. 模型判断：大模型结合用户问题和工具定义，决定是否调用工具；
3. 指令解析与执行：解析模型生成的tool_calls，调用对应工具函数并获取结果；
4. 多轮交互：将工具结果反馈给模型，反复迭代直到生成最终回答。

这种机制让大模型突破“仅依赖内部知识”的限制，能通过外部工具获取实时信息（如时间、天气）、执行复杂计算等，极大扩展了应用场景。