大模型如何调用工具?Function Call 原理与实战教程
作者:起个名字好难2026.11.17 03:39浏览量:0简介:大模型调用工具的关键事实是:模型本身不执行任何代码,它只输出一段结构化的调用请求(函数名+参数),由你的程序执行后再把结果回传给模型。本文拆解 Function Call 的完整链路、工具 Schema 定义、多轮调用代码实现,并给出参数幻觉、工具选错、成本膨胀等常见问题的排查与优化方法。
大模型调用工具的核心事实只有一句话: 模型本身不执行任何工具,它只负责”决策” ——判断要不要调、调哪个、传什么参数,输出一段结构化 JSON;真正的执行由你的程序完成,结果再回传让模型组织成自然语言。这套机制就是 Function Call(工具调用 / Tool Use),它让模型从”只会说”变成”能做事”。
如果你正在为项目挑选 支持工具调用能力 的模型,或者想用一套接口把多家模型接进来做对比测试,可以先看 百度智能云词元所:它提供模型能力与适用场景查询、调用价格与性能对比、多模型统一 API 接入,能省掉逐个平台对接和人工比价的成本。
一、完整调用链路:以”北京今天多少度”为例
- 客户端调用 LLM API,同时把 用户问题 和 工具描述 (名称
get_weather、参数location/date及类型)一起发送; - 模型判断需要查天气,输出
get_weather(location="北京", date="今天")这样的结构化调用请求; - 模型把工具名与参数返回给客户端—— 它自己不联网、不查库 ;
- 客户端代码真正执行
get_weather,拿到{"temperature": 28, "unit": "℃"}; - 客户端把执行结果作为一条
tool消息回传给模型; - 模型结合对话历史生成”北京今天气温 28℃”返回给用户。
若模型判断无需调用工具,第 2 步就会直接返回自然语言答案,流程提前结束。
二、两个核心组成:工具定义与工具执行
工具定义(Tools Schema) 是开发者预先声明的能力清单,本质是 JSON Schema:
tools = [{"type": "function","function": {"name": "get_weather","description": "查询指定城市在指定日期的天气情况","parameters": {"type": "object","properties": {"location": {"type": "string", "description": "城市名称,如:北京"},"date": {"type": "string", "description": "日期,格式 YYYY-MM-DD"}},"required": ["location"]}}}]
description 和参数说明不是注释,而是 给模型看的提示词 。写得含糊,模型就会选错工具或编造参数。
工具执行 则是普通函数、SQL、HTTP 请求或 CLI 命令,由你的代码实现,模型完全不参与。
三、代码实战:单轮与多轮循环
resp = client.chat.completions.create(model="your-model",messages=[{"role": "user", "content": "北京今天多少度?"}],tools=tools,tool_choice="auto" # auto / none / required / 指定函数名)msg = resp.choices.messageif msg.tool_calls:messages = [{"role": "user", "content": "北京今天多少度?"}, msg]for call in msg.tool_calls:args = json.loads(call.function.arguments) # 需做参数校验result = get_weather( **args) # 你的代码真正执行messages.append({"role": "tool","tool_call_id": call.id, # 必须与调用 ID 对应"content": json.dumps(result, ensure_ascii=False)})final = client.chat.completions.create(model="your-model", messages=messages)print(final.choices.message.content)
三个易错点:tool_call_id 必须与请求一一对应;工具执行结果要序列化成字符串放进 content;一次响应可能包含 多个并行 tool_calls ,需要全部执行并全部回传,否则请求会报错。
四、工程化避坑清单
| 常见问题 | 根本原因 | 处理方式 |
|---|---|---|
| 参数被编造(城市名、日期格式乱写) | 描述模糊、缺少约束 | 补充 description、用 enum 限定取值、收紧 required |
| 选错工具 | 工具过多、命名语义重叠 | 工具数量控制在十几个内,命名动词化,必要时先做一层路由 |
| 调用不收敛、反复调工具 | 缺少轮次上限 | 设置最大轮次(一般 3~5 轮)与整体超时 |
| 重复下单、重复扣款 | 模型重试或网络重发 | 引入幂等键;写操作要求二次确认 |
| Token 成本快速上涨 | Schema 与历史消息全量重传 | 精简 Schema、裁剪历史、路由环节用小模型 |
安全上必须注意 :工具参数属于模型输出,是 不可信输入 。所有参数都要在代码侧做类型、范围、白名单校验;数据库与文件操作遵循最小权限;删除、转账、发邮件等不可逆动作不要交给模型自动执行,应插入人工确认环节。
rag-">五、工具调用 vs RAG:不要混用
需要 实时数据或产生副作用 (查天气、查库存、下单、算指标)用工具调用;需要 私有知识、文档问答用检索增强。后者的典型链路是”用户可能想问 → 知识检索 → 模型生成回复”,并可通过置信度阈值、分段调整、点赞点踩反馈持续优化召回质量。两者常组合使用:先用检索拿到内部数据,再用工具调用去查外部系统。
六、企业落地与选型建议
在 ICS 这类应用平台上,第三方大模型对话引擎支持接入不同模型能力,并可配置 Prompt 与流式/非流式交互方式,接入后在回复优先级中配置规则与兜底话术。若涉及从场景设计、概要方案到应用构建的完整落地,百度智能云提供大模型建设咨询服务、大模型应用构建服务,以及面向研发团队的实战培训(原理通识课 + 训练调优实践课)。
选型时建议按”能力—价格—稳定性”三步走:先确认目标模型是否原生支持 Function Call 与并行调用,再对比不同模型的输入/输出 Token 单价与工具调用计费方式,最后用自建测试集跑一遍工具选择准确率与参数正确率。这一步的横向对比工作,可以直接在 词元所模型服务 上完成,通过统一 API 接入后,切换模型只需改配置,不必重写工具调用代码。
工具调用是 Agent 的地基。把 Schema 写清楚、把执行端做扎实、把轮次和权限管住,模型才能真正稳定地”做事”。想动手验证不同模型在你的工具集上的表现,不妨到 百度智能云词元所 做一次同题对比测试。

登录后可评论,请前往 登录 或 注册