Tool与Function Call的实现

前置知识

阅读本文前，建议先了解：

• 01-Function_Call 的定义与作用 - 基本概念
• 02-Function_Call 的工作原理 - 工作流程

---

一、主流平台的Tool/Function Call支持

主流LLM平台都支持Tool调用，但具体名称和实现略有不同：

平台	功能名称	常见叫法
OpenAI	Function Calling	tools, function_call
Anthropic	Tool Use	tools, tool_use
Google	Function Calling	tools, function_calling
国内	函数调用	tools, function_call

---

二、实现示例：OpenAI API

2.1 定义函数（Tool Schema）

# 定义我们想让LLM调用的工具
tools = [
    {
        "name": "get_weather",
        "description": "获取指定城市的天气信息",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {
                    "type": "string",
                    "description": "城市名称"
                }
            },
            "required": ["city"]
        }
    }
]

2.2 发送请求

# 把工具列表传给API的 functions 参数
response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[
        {"role": "user", "content": "北京今天天气怎么样？"}
    ],
    functions=tools  # ← functions是API参数名，tools是我们定义的变量名
)

命名解释

• tools 或 functions：我们定义的变量名（可以自己改）
• functions=：OpenAI API规定的参数名（不能改）

2.3 处理响应

# 检查是否需要调用函数
if response.choices[0].message.function_call:
    # 获取函数名和参数
    function_name = response.choices[0].message.function_call.name
    arguments = response.choices[0].message.function_call.arguments
 
    # 执行函数
    if function_name == "get_weather":
        result = get_weather(city=arguments["city"])
 
    # 将结果返回给LLM，获取最终回答
    final_response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[
            {"role": "user", "content": "北京今天天气怎么样？"},
            {"role": "assistant", "function_call": {...}},
            {"role": "function", "name": "get_weather", "content": result}
        ]
    )

---

三、常见的Function Call应用场景

3.1 天气查询

# 函数定义
{
    "name": "get_weather",
    "parameters": {
        "city": "string"  // 城市
    }
}
 
# 使用场景
用户：今天出门要带伞吗？
LLM：调用 get_weather → 返回有雨 → 建议带伞

3.2 日历管理

# 函数定义
{
    "name": "create_event",
    "parameters": {
        "title": "string",      // 事件标题
        "time": "string",        // 时间
        "duration": "number"     // 时长（分钟）
    }
}
 
# 使用场景
用户：帮我安排下周三下午2点的会议
LLM：调用 create_event → 创建会议 → 确认成功

3.3 搜索与问答

# 函数定义
{
    "name": "search_knowledge",
    "parameters": {
        "query": "string"  // 搜索关键词
    }
}
 
# 使用场景
用户：我们公司关于年假的规定是什么？
LLM：调用 search_knowledge → 搜索内部文档 → 返回规定

3.4 数据处理

# 函数定义
{
    "name": "calculate",
    "parameters": {
        "expression": "string"  // 数学表达式
    }
}
 
# 使用场景
用户：帮我算一下 123 * 456
LLM：调用 calculate → 返回 56088

---

四、设计好的Function Schema

4.1 描述要清晰

❌ "查天气"
✅ "获取指定城市的天气信息，包括温度、湿度、风力等"

4.2 参数说明要详细

❌ "city: string"
✅ "city: string, 城市名称，如北京、上海，必须使用官方全称"

4.3 合理设置必填参数

只把必要的参数设为 required
可选参数不要设为 required，否则LLM可能无法调用

---

五、Function Call的局限性

5.1 需要预先定义函数

LLM只能调用你提供的函数，无法自己创造。

❌ 用户：帮我执行一个计算任务
   → 没有定义相关函数，无法执行

5.2 函数执行是外部的

LLM只生成参数，实际执行由外部代码完成。

LLM：get_weather(city="北京")
实际执行：你的Python代码调用天气API

5.3 可能产生无效调用

LLM可能生成不符合Schema的参数。

预期参数：city (string)
LLM生成：{"city": 123}  // 数字而不是字符串

---

六、Function Call vs Agent

很多人会把Function Call和Agent混淆，它们有关系但不同：

对比	Function Call	Agent
定义	调用预定义函数	更复杂的自动化系统
复杂度	单个或少量函数调用	多步骤推理+工具选择
自主性	较低（需要预设）	较高（可以规划）

关系

Function Call是Agent的基础组件。Agent可以理解为：LLM + Function Call + 推理引擎 + 记忆系统

---

七、总结

• 主流平台都支持Tool/Function Call（OpenAI、Claude、 Gemini等）
• 实现流程：定义Tool → 调用API → 处理响应 → 执行Tool → 返回结果
• 设计好的Tool Schema很关键
• Tool/Function Call是Agent的基础

---

八、延伸阅读

• 01-Function_Call 的定义与作用 - 基础概念
• 02-Function_Call 的工作原理 - 工作流程