从零构建大模型智能体：OpenAI Function Calling 实战全流程详解-开发者社区

引言

随着大模型能力的不断增强，仅依靠自然语言对话已难以满足真实业务场景的需求。模型不仅需要“会说话”，还需要能够访问外部数据、调用业务能力，并参与实际流程执行。为此，OpenAI 提供了Function Calling（工具调用）机制，使模型能够在对话过程中主动选择并调用开发者定义的函数，从而实现与外部系统的深度集成。

Function Calling 本质上为大模型打开了一扇“连接现实世界”的大门：模型可以根据用户意图，结构化地生成函数调用参数，由应用程序执行真实逻辑后再将结果反馈给模型，最终生成面向用户的自然语言回复。这种模式极大地降低了 AI 与业务系统集成的复杂度，也成为构建 AI Agent、智能助手和自动化流程的核心能力之一。

本文将基于 OpenAI 官方文档与示例，系统性地介绍 Function Calling 的基本概念、工作流程以及完整的调用链路，并通过一个天气查询的实战示例，演示从工具定义、模型触发函数调用，到函数执行结果回传并生成最终回答的完整过程。希望通过这篇文章，帮助你快速理解并在实际项目中正确、稳定地使用 Function Calling 能力。

Function calling

Function calling(tool caling)为模型提供访问新功能和数据的权限，使其能够遵循指令并响应提示。

Function calling为OpenAI模型提供了一种强大且灵活的方式，可以与外部系统对接并访问器训练数据以外的数据(调用工具)。本节来展示它的工作原理。

工具-我们赋予模型的功能

工具(Tool)就是我们告诉模型它可以访问的额外功能，当模型根据提示词生成响应时，它可能会决定需要调用工具提供的数据或功能以遵循提示的指示。

当我想模型发送带有提示的API请求时，可以包含一个工具列表，让模型在处理时考虑使用这些工具，就和上篇文章一样。我们以获取某地天气情况的工具get_weather为例，它可能会带有location参数。

工具调用-模型请求使用工具的指令

工具调用(function call)是指模型在分析提示词后，如果认为为了遵循提示中的指令，需要调研我们为其提供的某个工具，则会返回的一种特殊响应。

如果模型接收到一个类似"what is the weather in Paris?" 的API请求，它可能会使用get_weather工具进行工具调用，其中Paris作为location的参数。

工作调用输出-我们为模型生成的输出

工作调用输出指的是工具使用模型的工具调用输入生成的响应，工具调用输出可以是结构化的JSON或纯文本，并包含对特定模型工具调用的引用(call_id)。为了完成我们的天气示例：

模型可以访问get_weather工具，参数为location。
在接收到类似"what is the weather in Paris?" 这样的提示后，模型会返回一个包含location参数且值为Paris的工具调用。
工具调用的输出可能返回一个JSON对象、图像内容或文件内容。

然后我们将所有工具定义、原始提示、模型的工具调用以及工具调用输出再次发送给模型，最终获得类似：

The weather in Paris today is 25C.

函数与工具

函数是一种特定类似的工具，由JSON模式(schema)定义。函数定义允许模型将数据传递给你的应用程序，你的代码可以访问模型建议的数据或采取相应的操作。
除了函数工具外，还有自定义工具，它们可以与自由文本输入和输出配合使用。
此外，还有OpenAI平台内建的工具。

Function calling流程

Function calling是通过OpenAI API在应用程序和模型之间进行的多轮对话，其流程包含五个高层次步骤：

向模型发起它可调用的工具的请求
从模型接收工具调用
在应用程序端使用工具调用的输入执行代码
使用工具调用的输出向模型发起第二次请求
接收来自模型的最终响应(或更多工具调用)

(工具调用流程，图片来自于参考1)

函数工具示例

我们还是以获取天气为例，看一个工具调用流程的例子。

fromopenaiimportOpenAIimportjsonimportos os.environ["OPENAI_API_KEY"]="sk-xx"os.environ["OPENAI_BASE_URL"]="xx"model_id="gpt-4o-mini"client=OpenAI()# 定义一个辅助函数defchat_completion_request(messages,tools=None,tool_choice="auto"):try:response=client.chat.completions.create(model=model_id,messages=messages,tools=tools,tool_choice=tool_choice,)returnresponseexceptExceptionase:print(f"Exception:{e}")returne# 1. 为模型定义一个可调用工具列表# OpenAI支持的工具定义Schematools=[{"type":"function","function":{"name":"get_current_weather","description":"获取当前天气","parameters":{"type":"object","properties":{"location":{"type":"string","description":"城市，例如：深圳、北京",}},"required":["location"]},}},{"type":"function","function":{"name":"get_n_day_weather_forecast","description":"获取N天的天气预报","parameters":{"type":"object","properties":{"location":{"type":"string","description":"城市，例如：深圳、北京",},"num_days":{"type":"integer","description":"要预报的天数",}},"required":["location","num_days"]},}},]

定义两个模拟函数(也可以接入真实的查询天气API)：

importrandomfromdatetimeimportdatetime,timedeltadefget_current_weather(location:str)->dict:""" 模拟获取当前天气 """# 随机生成温度temp=round(random.uniform(10,30),1)# 随机生成天气描述conditions=["晴天","多云","小雨","大雨","雷阵雨","阴天"]condition=random.choice(conditions)return{"location":location,"temperature":temp,"condition":condition,"unit":"摄氏度","time":datetime.now().strftime("%Y-%m-%d %H:%M:%S")}defget_n_day_weather_forecast(location:str,num_days:int)->dict:""" 模拟获取N天的天气预报 """forecast=[]conditions=["晴天","多云","小雨","大雨","雷阵雨","阴天"]foriinrange(num_days):temp=round(random.uniform(10,30),1)day_forecast={"date":(datetime.now()+timedelta(days=i)).strftime("%Y-%m-%d"),"temperature":temp,"unit":"摄氏度","condition":random.choice(conditions)}forecast.append(day_forecast)return{"location":location,"forecast":forecast}# 测试print(get_current_weather("北京"))print(get_n_day_weather_forecast("北京",5))

{'location': '北京', 'temperature': 11.2, 'condition': '大雨', 'unit': '摄氏度', 'time': '2025-12-13 09:50:29'} {'location': '北京', 'forecast': [{'date': '2025-12-13', 'temperature': 15.6, 'unit': '摄氏度', 'condition': '雷阵雨'}, {'date': '2025-12-14', 'temperature': 25.6, 'unit': '摄氏度', 'condition': '晴天'}, {'date': '2025-12-15', 'temperature': 28.3, 'unit': '摄氏度', 'condition': '阴天'}, {'date': '2025-12-16', 'temperature': 24.7, 'unit': '摄氏度', 'condition': '晴天'}, {'date': '2025-12-17', 'temperature': 15.5, 'unit': '摄氏度', 'condition': '雷阵雨'}]}

注册工具：

TOOLS={"get_current_weather":get_current_weather,"get_n_day_weather_forecast":get_n_day_weather_forecast}

messages=[]messages.append({"role":"system","content":"当用户的问题需要使用工具时，请调用对应的工具，而不是直接回答"})messages.append({"role":"user","content":"未来5天深圳的天气会怎么样？"})# 将定义好的工具传递给模型chat_response=chat_completion_request(messages,tools=tools)result=chat_response.choices[0].messageprint(result)

ChatCompletionMessage(content=None, refusal=None, role='assistant', annotations=[], audio=None, function_call=None, tool_calls=[ChatCompletionMessageFunctionToolCall(id='call_h68QzRexg3U1r4rSuDYRclUu', function=Function(arguments='{"location":"深圳","num_days":5}', name='get_n_day_weather_forecast'), type='function')])

这里构造一个系统消息，然后用户咨询未来五天的天气情况，把消息类别和定义好的工具传递给模型，这里tool_choice取的默认值auto，它的取值含义：

auto：默认值，可以由模型自行决定调用零个、一个或多个函数。
none：禁止调用函数。
调用指定函数：{"type": "function", "function": {"name": "my_function"}}。
required：必须调用一个或多个函数。

接下来是很重要的一步：

# 3. 增加工具调用消息(注意格式)messages.append({"role":"assistant","content":None,"tool_calls":[{"c":call.id,"type":"function","function":{"name":call.function.name,"arguments":call.function.arguments}}forcallinresult.tool_calls]})

我们必须增加工具调用消息到列表中，这里传入的id后面工具调用结果消息会用到，必须保持一致：

foriteminresult.tool_calls:ifitem.type=="function":func=TOOLS[item.function.name]# 4. 执行函数func_result=func(**json.loads(item.function.arguments))# 5. 告诉模型函数调用结果messages.append({"role":"tool","tool_call_id":item.id,"content":str(func_result)})print(messages)

messages = [ { "role": "system", "content": "当用户的问题需要使用工具时，请调用对应的工具，而不是直接回答" }, { "role": "user", "content": "未来5天深圳的天气会怎么样？" }, { "role": "assistant", "content": None, "tool_calls": [ { "id": "call_h68QzRexg3U1r4rSuDYRclUu", "type": "function", "function": { "name": "get_n_day_weather_forecast", "arguments": "{'location':'深圳','num_days':5}" } } ] }, { "role": "tool", "tool_call_id": "call_h68QzRexg3U1r4rSuDYRclUu", "content": "{'location': '深圳', 'forecast': [{'date': '2025-12-13', 'temperature': 14.2, 'unit': '摄氏度', 'condition': '多云'}, {'date': '2025-12-14', 'temperature': 19.2, 'unit': '摄氏度', 'condition': '大雨'}, {'date': '2025-12-15', 'temperature': 19.5, 'unit': '摄氏度', 'condition': '晴天'}, {'date': '2025-12-16', 'temperature': 22.5, 'unit': '摄氏度', 'condition': '雷阵雨'}, {'date': '2025-12-17', 'temperature': 27.3, 'unit': '摄氏度', 'condition': '雷阵雨'}]}" } ]

整个消息列表如上所示，注意这里的assistant消息包含了工具调用，我们就应该把工具调用结果通过tool消息附加进去，并且tool_call_id需保持一致。

最后再次传递给大模型，让模型给出最终回答：

chat_completion_request(messages,tools)

ChatCompletion(id='chatcmpl-Cm9B8aWEcZYi5OBoXnTL7temNyD53', choices=[Choice(finish_reason='stop', index=0, logprobs=None, message=ChatCompletionMessage(content='未来5天深圳的天气预报如下：\n\n- **12月13日**：多云，温度14.2°C\n- **12月14日**：大雨，温度19.2°C\n- **12月15日**：晴天，温度19.5°C\n- **12月16日**：雷阵雨，温度22.5°C\n- **12月17日**：雷阵雨，温度27.3°C\n\n请注意天气变化，出行时合理安排！', refusal=None, role='assistant', annotations=[], audio=None, function_call=None, tool_calls=None))], created=1765591062, model='gpt-4o-mini-2024-07-18', object='chat.completion', service_tier=None, system_fingerprint='fp_efad92c60b', usage=CompletionUsage(completion_tokens=115, prompt_tokens=341, total_tokens=456, completion_tokens_details=CompletionTokensDetails(accepted_prediction_tokens=0, audio_tokens=0, reasoning_tokens=0, rejected_prediction_tokens=0), prompt_tokens_details=PromptTokensDetails(audio_tokens=0, cached_tokens=0)))

(渲染后的结果如下：)

未来5天深圳的天气预报如下：