5分钟打造智能天气助手：GPT-3.5函数调用实战指南
上周帮朋友调试一个天气查询功能时，我惊讶地发现他还在用传统API对接方式——手动解析地址参数、处理错误响应、拼接返回结果。这让我想起三年前自己写的第一行天气查询代码，当时花了两天时间才搞定基础功能。而现在，借助GPT-3.5-turbo的函数调用特性，同样的事情只需要5分钟就能完成。
这个功能本质上让AI模型成为了你的"API翻译官"。你只需要用自然语言描述函数功能，模型就能自动将用户提问转化为结构化API请求。想象一下，当用户问"上海明天会下雨吗"，系统会自动转换成类似get_weather(location="上海", date="2023-07-20")的调用，这比传统开发流程节省了90%的代码量。
1. 环境准备与基础配置
在开始前，确保你已准备好以下三样东西：
- OpenAI API密钥：从平台后台获取，建议设置合理的用量限制
- 天气API服务：推荐OpenWeatherMap的免费套餐（每天1000次调用）
- 开发环境：本文示例使用Python 3.8+，但核心逻辑适配任何语言
安装必要依赖：
pip install openai requests python-dotenv创建.env文件存储敏感信息：
OPENAI_API_KEY=你的API密钥 WEATHER_API_KEY=你的天气API密钥安全提示：永远不要将API密钥直接写入代码。使用环境变量或专业密钥管理服务
2. 定义天气查询函数
函数调用的核心在于明确定义你的外部工具能力。以下是一个完整的天气函数定义示例：
import json import requests from typing import Literal def get_current_weather( location: str, unit: Literal["celsius", "fahrenheit"] = "celsius" ) -> str: """获取指定城市的当前天气情况 Args: location: 城市名称，如"北京"或"New York" unit: 温度单位，默认为摄氏度 Returns: JSON格式的天气数据字符串 """ base_url = "https://api.openweathermap.org/data/2.5/weather" params = { "q": location, "appid": os.getenv("WEATHER_API_KEY"), "units": "metric" if unit == "celsius" else "imperial" } try: response = requests.get(base_url, params=params, timeout=5) data = { "temperature": response.json()["main"]["temp"], "unit": unit, "description": response.json()["weather"][0]["description"] } return json.dumps(data) except Exception as e: return json.dumps({"error": str(e)})关键点说明：
- 类型提示：使用Python的类型注解明确参数类型
- 文档字符串：详细描述函数用途，这将成为AI理解功能的基础
- 错误处理：确保异常情况下仍返回合法JSON
3. 构建AI交互管道
现在我们需要让GPT理解这个函数能力。以下是配置函数描述的完整代码：
from openai import OpenAI client = OpenAI() def ask_weather(query: str) -> str: # 定义函数描述（会被发送给AI理解） functions = [ { "name": "get_current_weather", "description": "获取指定城市的当前天气信息", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "城市名称，如'北京'或'New York'", }, "unit": { "type": "string", "enum": ["celsius", "fahrenheit"], }, }, "required": ["location"], }, } ] # 第一步：发送用户查询给AI response = client.chat.completions.create( model="gpt-3.5-turbo-0613", messages=[{"role": "user", "content": query}], functions=functions, function_call="auto", ) # 第二步：处理AI返回的函数调用请求 if response.choices[0].message.function_call: function_name = response.choices[0].message.function_call.name if function_name == "get_current_weather": arguments = json.loads(response.choices[0].message.function_call.arguments) weather_data = get_current_weather(**arguments) # 第三步：将API结果返回给AI生成最终回复 second_response = client.chat.completions.create( model="gpt-3.5-turbo-0613", messages=[ {"role": "user", "content": query}, response.choices[0].message, { "role": "function", "name": function_name, "content": weather_data, }, ], ) return second_response.choices[0].message.content return response.choices[0].message.content4. 实战测试与优化技巧
让我们测试几个典型场景：
案例1：基础查询
print(ask_weather("北京现在多少度？")) # 输出：北京当前气温为28摄氏度，天气晴朗。案例2：单位转换
print(ask_weather("What's the temperature in New York in Fahrenheit?")) # 输出：The current temperature in New York is 75°F with clear skies.案例3：模糊查询
print(ask_weather("明天上海天气怎么样？")) # 输出：我目前只能查询实时天气信息。上海现在的天气是...通过测试我们发现几个常见问题及解决方案：
| 问题类型 | 表现 | 解决方案 |
|---|---|---|
| 时间范围 | 用户询问未来天气 | 在函数描述中明确说明仅支持实时查询 |
| 地点模糊 | "我家附近"等表述 | 让AI先询问具体位置 |
| API限制 | 免费套餐调用超限 | 添加速率限制和缓存机制 |
高级优化建议：
- 批量处理：当检测到多个函数调用需求时，可以并行执行API请求
- 本地缓存：对相同参数的查询结果缓存5-10分钟，减少API调用
- 备用数据源：当主天气API不可用时自动切换备用服务
# 缓存装饰器示例 from functools import lru_cache import time @lru_cache(maxsize=100) def cached_weather(location: str, unit: str): """带缓存的天气查询，有效期10分钟""" return get_current_weather(location, unit) # 在get_current_weather实现中添加时间戳验证5. 扩展应用场景
这个模式可以轻松扩展到其他领域：
股票查询机器人
functions = [ { "name": "get_stock_price", "description": "获取指定股票的实时价格", "parameters": { "type": "object", "properties": { "symbol": {"type": "string"}, "currency": {"type": "string", "enum": ["USD", "CNY"]} } } } ]酒店预订系统
functions = [ { "name": "search_hotels", "description": "搜索符合条件的酒店", "parameters": { "type": "object", "properties": { "location": {"type": "string"}, "check_in": {"type": "string", "format": "date"}, "check_out": {"type": "string", "format": "date"}, "max_price": {"type": "number"} } } } ]实际项目中，我更喜欢将函数描述存储在JSON文件中，方便团队协作和维护：
// functions.json { "weather": { "name": "get_current_weather", "description": "...", "parameters": {...} }, "stock": { "name": "get_stock_price", "description": "...", "parameters": {...} } }加载方式：
import json with open("functions.json") as f: function_registry = json.load(f) def get_function_config(name): return function_registry.get(name)这种架构下，新增功能只需更新JSON文件，无需修改核心代码。上周刚用这种方式为客户的电商平台添加了物流查询功能，开发时间从预估的3人日压缩到2小时。
