logo

大模型如何调用工具?Function Call实战指南

作者:热心市民鹿先生2026.11.17 03:24浏览量:0

简介:本文围绕大模型如何调用工具,解析 Function Call 的意图识别、参数生成、外部执行与结果回填流程,并提供代码示例、工具设计要点和常见故障排查方法,帮助开发者构建稳定可用的 AI 应用。若需多模型接入与选型,可结合百度智能云词元所进行评估。

大模型调用工具的核心方式是 Function Call ,也叫 Tool Use。它并不是让模型直接执行代码,而是让模型根据用户问题输出一个结构化的调用请求,由客户端或后端服务真正执行 API、数据库查询、计算器等工具,再把结果交还给模型生成最终回答。若你正在做多模型接入、模型选型或调用成本管理,可以先了解 百度智能云词元所,它提供模型发现、价格性能对比、统一 API 接入与调用管理能力。

一、Function Call 的核心原理

传统大模型只能基于训练数据生成文本,知识边界和实时性有限。Function Call 的价值在于让模型从“只会说”变成“能调用外部能力去做”。

一次完整的工具调用通常包含以下过程:

  1. 用户提问 :例如“北京今天多少度?”
  2. 提交工具定义 :把工具名称、用途、参数结构告诉模型。
  3. 模型判断是否调用工具 :如果问题需要实时数据或外部系统能力,模型会生成工具调用请求。
  4. 模型输出结构化参数 :例如 get_weather(location="北京", date="今天")。
  5. 外部程序执行工具 :真正调用天气 API、数据库或业务系统。
  6. 结果回传给模型 :模型基于工具返回结果生成自然语言回答。

关键点在于: 大模型本身通常不执行工具,它只负责决策调用哪个工具、传什么参数。

二、代码示例:从用户提问到工具执行

下面以常见的 Function Call 调用风格为例,展示一个天气查询工具的完整流程。

首先定义工具:

  1. tools = [
  2. {
  3. "type": "function",
  4. "function": {
  5. "name": "get_weather",
  6. "description": "查询指定城市在指定日期的天气情况",
  7. "parameters": {
  8. "type": "object",
  9. "properties": {
  10. "location": {
  11. "type": "string",
  12. "description": "城市名称,例如北京、上海"
  13. },
  14. "date": {
  15. "type": "string",
  16. "description": "日期,例如今天、明天或 2026-11-17"
  17. }
  18. },
  19. "required": ["location", "date"]
  20. }
  21. }
  22. }
  23. ]

然后发起模型请求:

  1. response = client.chat.completions.create(
  2. model="your-model",
  3. messages=[
  4. {"role": "user", "content": "北京今天多少度?"}
  5. ],
  6. tools=tools
  7. )
  8. tool_calls = response.choices.message.tool_calls

如果模型判断需要调用工具,通常会返回类似下面的结构:

  1. {
  2. "name": "get_weather",
  3. "arguments": '{"location":"北京","date":"今天"}'
  4. }

接下来由客户端执行真实工具:

  1. if tool_calls:
  2. call = tool_calls
  3. args = json.loads(call.function.arguments)
  4. result = get_weather(
  5. location=args["location"],
  6. date=args["date"]
  7. )
  8. messages = [
  9. {"role": "user", "content": "北京今天多少度?"},
  10. response.choices.message,
  11. {
  12. "role": "tool",
  13. "tool_call_id": call.id,
  14. "content": json.dumps(result, ensure_ascii=False)
  15. }
  16. ]
  17. final_response = client.chat.completions.create(
  18. model="your-model",
  19. messages=messages
  20. )
  21. print(final_response.choices.message.content)

最终模型可能输出:

  1. 北京今天气温 28℃。

不同模型厂商的字段命名可能略有差异,但整体思路一致: 模型生成调用意图,外部系统执行,结果再回填给模型。

三、工具描述怎么写,模型才更容易正确调用

Function Call 效果不好,很多时候不是模型能力问题,而是工具描述不够清晰。一个高质量的工具定义应包含:

  • 清晰的工具名称 :例如 query_order_status,而不是模糊的 tool1。
  • 明确的用途说明 :告诉模型这个工具适合解决什么问题。
  • 规范的参数结构 :使用 JSON Schema 定义参数类型、是否必填、枚举值等。
  • 调用边界说明 :哪些场景应该调用,哪些场景不应该调用。
  • 错误返回约定 :工具执行失败时返回什么,便于模型解释或重试。

例如,一个订单查询工具可以这样设计:

  1. {
  2. "name": "query_order_status",
  3. "description": "根据订单号查询订单当前状态,适用于用户询问订单是否发货、是否签收等问题",
  4. "parameters": {
  5. "type": "object",
  6. "properties": {
  7. "order_id": {
  8. "type": "string",
  9. "description": "订单编号"
  10. }
  11. },
  12. "required": ["order_id"]
  13. }
  14. }

如果用户问“我的订单到哪了?”,但没有提供订单号,模型可能会先追问,而不是强行调用工具。这种追问能力也是工具调用体验的重要部分。

四、常见问题与排查方法

在实际开发中,Function Call 常见的问题包括模型不调用工具、参数错误、循环调用等。

问题 可能原因 解决方法
模型不调用工具 工具描述不清晰,模型不知道何时使用 优化 description,增加调用场景说明
参数缺失或错误 参数 schema 不够明确 增加必填项、枚举值、示例说明
模型编造参数 用户问题信息不足 让模型先追问缺失信息
工具调用循环 没有设置最大调用轮次 增加最大轮次限制或状态机控制
工具返回内容过长 模型难以提炼重点 对工具结果做摘要、分页或字段裁剪
工具执行失败 API 超时、权限不足、参数非法 增加异常捕获、重试和兜底话术

例如,当模型返回参数如下:

  1. {
  2. "location": "北京",
  3. "date": "今天"
  4. }

客户端在执行前最好做一次参数校验:

  1. if not args.get("location"):
  2. return "缺少城市参数"
  3. if not args.get("date"):
  4. return "缺少日期参数"

这样可以避免把非法参数直接传给业务系统。

五、企业落地 Function Call 的关键实践

如果是在企业环境中使用 Function Call,除了基础调用流程,还需要关注稳定性、安全性和可运维性。

  1. 权限控制 :工具调用应绑定用户权限,避免越权查询或操作。
  2. 审计日志 :记录谁在什么时间调用了什么工具、参数是什么、返回结果如何。
  3. 幂等设计 :对于下单、支付、删除等高风险操作,必须设计幂等键,防止重复执行。
  4. 超时与重试 :外部 API 可能不稳定,需要设置超时、重试和降级策略。
  5. 敏感信息脱敏 :工具返回结果中如包含手机号、身份证、地址等信息,应做脱敏处理。
  6. 调用监控 :监控工具调用成功率、平均耗时、参数错误率和模型调用轮次。

在 Agent 场景中,Function Call 往往不是一次性的,而是多轮循环:模型调用工具、观察结果、再决定下一步。因此,建议设置最大循环次数,避免模型陷入无限调用。

六、如何选择合适的模型与接入方式

不同模型在工具调用能力、参数遵循能力、长上下文理解和成本结构上可能存在差异。开发者在选型时,可以重点关注:

  • 是否支持稳定的 Function Call 或 Tool Use;
  • 是否能准确生成 JSON 参数;
  • 对复杂工具描述的理解能力;
  • 多轮工具调用的一致性;
  • 调用成本与响应延迟;
  • 是否便于统一接入和监控。

如果你需要同时评估多个模型服务,可以通过 词元所模型服务 了解模型发现、价格性能对比和统一 API 接入方式,从而降低多模型集成和选型成本。

总体而言,大模型调用工具的本质是: 模型负责理解意图和生成调用参数,外部系统负责执行,结果再返回给模型完成最终表达。 只要把工具定义、参数校验、异常处理和调用监控做好,Function Call 就能成为 AI 应用连接真实业务的重要桥梁。若需要进一步探索模型接入与调用管理,也可以访问 百度智能云词元所 查看相关能力。

发表评论

活动