Clawdbot保姆级教程：Qwen3:32B模型在Clawdbot中启用Function Calling与Tool Use

Clawdbot保姆级教程：Qwen3:32B模型在Clawdbot中启用Function Calling与Tool Use

1. 为什么需要在Clawdbot里用Qwen3:32B做Function Calling

你有没有遇到过这样的情况：AI模型能说会道，但一到要查天气、算日期、调API、读文件，就卡壳了？它知道“该做什么”，却不知道“怎么去做”。这就是传统大模型的边界——它擅长推理和表达，但不擅长执行。

而Function Calling（函数调用）和Tool Use（工具调用）正是打破这个边界的钥匙。它让模型不再只是“回答问题”，而是能“完成任务”：自动查实时股价、从Excel提取数据、生成带时间戳的会议纪要、甚至调用内部系统接口更新订单状态。

Clawdbot作为AI代理网关与管理平台，天然支持这一能力。它把Qwen3:32B这样具备强推理能力的大模型，和你手头的真实工具（比如Python脚本、HTTP API、数据库连接）无缝串起来。你不用写一行调度逻辑，只要告诉模型“你想做什么”，它自己会判断要不要调工具、调哪个、传什么参数、再把结果整合成自然语言回复给你。

本教程不讲抽象概念，只带你一步步：
把Qwen3:32B接入Clawdbot
配置好Function Calling所需的模型能力开关
写一个真实可用的工具（比如获取当前时间+时区信息）
在聊天界面里亲眼看到模型主动调用它、拿到结果、再组织成一句人话回复你
解决部署中90%新手会踩的坑（尤其是token、URL、模型加载失败这些）

全程基于你已有的Clawdbot环境，不需要额外装服务，也不需要改源码——所有操作都在配置文件和Web界面上完成。

2. 环境准备：确认Clawdbot已就绪并正确访问

Clawdbot不是传统意义上的“安装软件”，而是一个预置镜像启动的服务。你看到的gpu-pod6978c4fda2b3b8688426bd76-18789.web.gpu.csdn.net这类地址，就是它运行在GPU资源上的入口。但第一次访问，你大概率会遇到这个提示：

disconnected (1008): unauthorized: gateway token missing (open a tokenized dashboard URL or paste token in Control UI settings)

别慌，这不是报错，是Clawdbot的安全机制在起作用——它要求每个访问请求都携带一个认证令牌（token），防止未授权使用。

2.1 三步搞定Token访问（实测有效）

你看到的初始链接长这样：

https://gpu-pod6978c4fda2b3b8688426bd76-18789.web.gpu.csdn.net/chat?session=main

只需要动三处，就能变成可登录的地址：

1. 删掉/chat?session=main—— 这是聊天页面路径，但token必须加在根路径上
2. 加上?token=csdn—— 这是Clawdbot默认的开发测试token（无需修改）
3. 最终地址变成：

   https://gpu-pod6978c4fda2b3b8688426bd76-18789.web.gpu.csdn.net/?token=csdn

粘贴进浏览器，回车。你会看到Clawdbot的控制台首页，左上角显示“Connected”，右上角有“Dashboard”、“Chat”、“Settings”等标签页——说明网关已成功认证。

小贴士：首次用token访问成功后，Clawdbot会记住你的会话。后续再点控制台里的“Chat”快捷按钮，就不再弹token提示，直接进入聊天界面。

2.2 启动网关服务（确保后台运行）

虽然镜像已部署，但Clawdbot的核心网关服务需要手动启动一次（仅首次或重启后）：

clawdbot onboard

这条命令会拉起Ollama服务（如果还没运行）、加载模型配置、启动Clawdbot代理网关。终端输出类似：

Ollama is running on http://127.0.0.1:11434 Model qwen3:32b loaded successfully Clawdbot gateway started on port 3000

如果提示command not found，说明你不在Clawdbot容器内。请先通过CSDN星图镜像控制台进入对应Pod的终端，再执行。

3. 模型配置：让Qwen3:32B真正“看懂”工具定义

Clawdbot支持多模型，但它不会自动假设某个模型能调用工具。你需要明确告诉它：“这个qwen3:32b，我启用了Function Calling能力”。

关键就在config.json里的模型声明段。你提供的配置中，qwen3:32b的定义是这样的：

"my-ollama": { "baseUrl": "http://127.0.0.1:11434/v1", "apiKey": "ollama", "api": "openai-completions", "models": [ { "id": "qwen3:32b", "name": "Local Qwen3 32B", "reasoning": false, "input": ["text"], "contextWindow": 32000, "maxTokens": 4096, "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 } } ] }

这里有个隐藏关键点："reasoning": false。它代表Clawdbot默认把这个模型当作“非推理型”模型处理，即不主动解析function call结构。要启用Function Calling，你必须把它改成：

"reasoning": true

同时，为了确保Clawdbot能正确识别Qwen3的tool calling格式（它用的是OpenAI兼容的tools+tool_choice字段），你还得加一个关键字段：

"capabilities": { "functionCalling": true, "jsonMode": false }

修改后的完整模型片段如下（只需替换原配置中对应部分）：

{ "id": "qwen3:32b", "name": "Local Qwen3 32B", "reasoning": true, "input": ["text"], "contextWindow": 32000, "maxTokens": 4096, "capabilities": { "functionCalling": true, "jsonMode": false }, "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 } }

保存config.json后，重启Clawdbot服务（或执行clawdbot reload），让它重新加载配置。

注意：Qwen3:32B在24G显存上运行压力较大，首次加载可能耗时1-2分钟。耐心等待终端出现Model qwen3:32b ready for function calling提示，再进行下一步。

4. 工具编写：从零写一个“获取当前时间”的Function

Function Calling不是魔法，它依赖你提供清晰、可执行的工具定义。Clawdbot支持两种方式：内置工具（如web_search）和自定义工具（通过Python脚本）。我们选后者——因为它最贴近真实业务场景，也最容易调试。

4.1 创建工具文件

在Clawdbot项目根目录下，新建文件夹tools/，再创建time_tool.py：

# tools/time_tool.py import datetime import pytz def get_current_time(timezone: str = "Asia/Shanghai") -> str: """ 获取指定时区的当前时间与日期 Args: timezone: 时区名称，例如 "Asia/Shanghai", "UTC", "America/New_York" Returns: 格式化的时间字符串，包含年月日、时分秒、星期和时区缩写 """ try: tz = pytz.timezone(timezone) now = datetime.datetime.now(tz) # 中文友好格式：2025年4月12日 星期六 14:35:22 CST formatted = now.strftime(f"%Y年%m月%d日 %A %H:%M:%S %Z") return f"当前时间是：{formatted}（{timezone}）" except Exception as e: return f"获取时间失败：{str(e)}"

如果提示ModuleNotFoundError: No module named 'pytz'，在容器内执行：

pip install pytz

4.2 声明工具Schema（让模型“看懂”它）

Clawdbot需要一份JSON Schema来理解这个工具能干什么、需要什么参数。在tools/目录下，创建time_tool.json：

{ "name": "get_current_time", "description": "获取指定时区的当前时间与日期，返回中文格式的详细时间信息", "parameters": { "type": "object", "properties": { "timezone": { "type": "string", "description": "目标时区名称，例如 'Asia/Shanghai', 'UTC', 'America/New_York'。如果不提供，默认使用上海时区。", "default": "Asia/Shanghai" } }, "required": [] } }

这个Schema的作用，是让Qwen3:32B在思考时明白：“哦，用户想查时间，我有一个叫get_current_time的工具可以用，它接受一个可选的timezone参数”。

4.3 在Clawdbot中注册工具

打开Clawdbot控制台 → Settings → Tools → Add Tool

• Name:get_current_time
• Description:获取指定时区的当前时间与日期
• Type:Python Function
• Path:tools/time_tool.py
• Function Name:get_current_time
• Schema: 粘贴上面time_tool.json的全部内容

点击Save。你会看到工具列表里多了一行，Status显示Active。

至此，工具已就绪。Clawdbot会在每次请求Qwen3:32B时，自动把这份工具描述注入system prompt，模型就能“看见”它了。

5. 实战测试：在聊天界面中亲眼见证Function Calling生效

现在，一切准备就绪。打开Clawdbot的Chat界面，选择模型为Local Qwen3 32B，然后输入：

“现在北京时间是几点？顺便告诉我纽约时间。”

发送后，观察三件事：

1. 模型是否发起调用？
   在消息下方，你会看到一条灰色小字：
   → Calling tool: get_current_time with {"timezone": "Asia/Shanghai"}
   接着又一条：
   → Calling tool: get_current_time with {"timezone": "America/New_York"}

2. 工具是否返回结果？
   紧接着，你会看到两段绿色返回值（模拟）：
   Current time in Asia/Shanghai: 当前时间是：2025年04月12日 星期六 14:35:22 CST（Asia/Shanghai）
Current time in America/New_York: 当前时间是：2025年04月12日 星期六 02:35:22 EDT（America/New_York）

3. 最终回复是否自然整合？
   模型会把两次调用结果融合成一句人话：

   “现在北京时间是2025年04月12日星期六14:35，而纽约时间是同一天的02:35。两地相差12小时。”

这整个过程，没有你写一行if-else，没有你拼接字符串，全由Qwen3:32B自主规划、调用、汇总。

5.1 调试技巧：当调用没发生时怎么办？

• 检查模型是否选对：确认右上角显示的是Local Qwen3 32B，不是其他模型
• 检查工具是否激活：Settings → Tools → 确认get_current_time状态是Active
• 检查模型配置：确认config.json中reasoning为true且functionCalling为true
• 查看日志：在终端执行clawdbot logs，搜索function call或tool关键字，看是否有拒绝记录

6. 进阶实践：把工具链扩展成真实工作流

单个工具只是起点。Clawdbot的强大，在于你能把多个工具串成自动化流水线。比如，构建一个“会议纪要生成助手”：

• 工具1：get_current_time→ 获取当前时间（用于纪要抬头）
• 工具2：read_pdf（自定义）→ 读取上传的会议PDF文件
• 工具3：summarize_text（调用本地Llama3）→ 提取核心结论
• 工具4：send_email（对接SMTP）→ 自动发给参会人

你只需在聊天框里说：

“请根据刚上传的会议PDF，生成一份包含时间、结论和待办事项的纪要，并邮件发送给张三和李四。”

Qwen3:32B会自动判断：先调get_current_time，再调read_pdf，再调summarize_text，最后调send_email——整个流程对用户完全透明。

而这一切，底层只是几个Python脚本 + 几行JSON Schema。Clawdbot负责调度、错误重试、超时控制、结果缓存。你专注在“业务逻辑”本身。

7. 总结：Function Calling不是功能，而是AI代理的“手脚”

回顾整个过程，你其实只做了四件事：
1⃣ 用正确的token访问Clawdbot控制台
2⃣ 把reasoning和functionCalling设为true，解锁Qwen3:32B的工具调用能力
3⃣ 写一个Python函数 + 一份JSON Schema，定义“获取时间”这个动作
4⃣ 在聊天框里问一句自然语言，看着模型自己调用、执行、整合、回复

没有复杂的SDK、没有拗口的API文档、没有漫长的模型微调。Clawdbot把Function Calling从一个技术概念，变成了开箱即用的工作流能力。

更重要的是，它让你的AI代理真正“活”了起来——它不再是一个安静的回答机器，而是一个能主动查资料、跑计算、连系统、发通知的数字员工。而Qwen3:32B，正是那个足够聪明、足够可靠、能驾驭复杂工具链的“大脑”。

下一步，你可以：
🔹 把公司内部的CRM查询接口封装成工具
🔹 把Jira的issue创建功能变成create_jira_issue
🔹 把财务系统的报表导出做成export_monthly_report

每一个工具，都是给AI代理装上的一只新“手”。而Clawdbot，就是那台永不疲倦的装配线。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。