大模型函数调用（Function Calling）-Seo优化-合肥市网站建设公司

在大模型应用开发中，函数调用（Function Calling）是突破纯文本交互、实现模型与外部工具协同的核心能力。它让大模型不再只做 “语言翻译官”，更能成为 “任务指挥官”—— 识别需要调用的工具、传递正确参数、接收执行结果并给出最终答案。本文将以阿里通义千问（qwen-plus）为例，从基础加法器实现到复杂场景的水果计数，一步步拆解大模型函数调用的完整流程。

一、函数调用核心原理

函数调用的本质是：开发者预先定义工具（函数）的描述（名称、用途、参数格式），大模型接收用户问题后，先判断是否需要调用工具；若需要，则按照预设格式生成调用指令（指定函数名、传入参数）；开发者解析指令后执行函数，再将结果返回给大模型，最终由大模型整合结果给出自然语言回答。

核心流程：

定义工具函数的 JSON 描述（告诉大模型 “有什么工具、怎么用”）
用户提问，大模型判断是否调用工具并生成调用指令
解析调用指令，执行本地函数并获取结果
将函数结果回传给大模型，生成最终回答

二、加法器函数调用

1.定义函数调用的核心函数

封装get_completion函数，包含模型调用逻辑和工具描述定义（重点是tools参数）

def get_completion(messages, model="qwen-plus"): """ 调用大模型，支持工具函数调用 :param messages: 对话历史（system+user+工具调用结果等） :param model: 调用的模型，默认qwen-plus :return: 大模型的回复对象 """ response = client.chat.completions.create( model=model, messages=messages, tools=[ # 定义工具函数的JSON描述（可定义多个） { "type": "function", "function": { "name": "sum", # 函数名 "description": "加法器，计算一组数的和，只能运用于加法操作", # 函数用途（大模型据此判断是否调用） "parameters": { # 参数定义（JSON Schema格式） "type": "object", "properties": { "numbers": {"type": "array", "items": {"type": "number"}} # 数组类型，元素为数字 }, "required": ["numbers"] # 必传参数（建议显式声明，提升稳定性） }, }, } ], ) return response.choices[0].message

2.测试基础加法场景

调用函数计算 1 到 10 的和，验证工具调用逻辑：

# 测试1：计算1-10的和 prompt = "Tell me the sum of 1, 2, 3, 4, 5, 6, 7, 8, 9, 10." messages = [ {"role": "system", "content": "你是一个数学家，当需要进行加法操作时调用sum工具"}, {"role": "user", "content": prompt}, ] # 第一步：获取大模型的工具调用指令 response = get_completion(messages) messages.append(response) # 将模型回复加入对话历史 print("=====大模型工具调用指令=====") print(response) # 第二步：解析指令并执行sum函数 if response.tool_calls is not None: tool_call = response.tool_calls[0] if tool_call.function.name == "sum": # 解析参数（JSON字符串转字典） args = json.loads(tool_call.function.arguments) result = sum(args["numbers"]) # 执行加法 print("=====函数执行结果=====") print(result) # 第三步：将函数结果回传给大模型 messages.append( { "tool_call_id": tool_call.id, # 关联工具调用ID "role": "tool", "name": "sum", "content": str(result), # 工具返回结果必须是字符串 } ) # 第四步：获取大模型的最终自然语言回答 final_response = get_completion(messages) print("=====最终回答=====") print(final_response.content)

3.解析

tools参数是核心：通过 JSON Schema 定义函数的名称、描述、参数，大模型会根据用户问题和描述判断是否调用该函数
tool_calls是模型返回的调用指令：若不为空，说明模型决定调用工具，需解析其中的function.name和function.arguments
对话历史需完整：每一步的模型回复、工具执行结果都要加入messages，保证模型上下文连贯

三、智能水果计数

加法场景是纯数字输入，而实际场景中用户问题往往是自然语言（如 “2 个苹果、4 个桃子、3 本书，一共有几个水果？”），需要大模型先识别 “水果类别”、提取数字，再调用加法函数。

1.代码实现

import json from openai import OpenAI # 初始化客户端 client = OpenAI( api_key="sk-0b717f29b6ee4852a2331cf1ffa30d4f", base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", ) def get_completion(messages, model="qwen-plus"): response = client.chat.completions.create( model=model, messages=messages, tools=[ { "type": "function", "function": { "name": "sum", "description": "加法器，计算一组数的和，只能运用于加法操作", "parameters": { "type": "object", "properties": { "numbers": {"type": "array", "items": {"type": "number"}} }, "required": ["numbers"] }, }, } ], ) return response.choices[0].message # 进阶测试：水果计数（需先筛选水果类别，再求和） prompt = "桌上有 2 个苹果，四个桃子和 3 本书，一共有几个水果？" messages = [ {"role": "system", "content": "你是一个数学家，先识别用户问题中的水果类别，提取对应数量，再调用sum工具计算水果总数；非水果类物品忽略"}, {"role": "user", "content": prompt}, ] # 第一步：获取模型的工具调用指令（模型会自动筛选水果数量） response = get_completion(messages) messages.append(response) print("=====大模型回复（工具调用指令）=====") print(response) # 第二步：兼容处理（模型可能直接回答，也可能调用工具） if response.tool_calls is not None: tool_call = response.tool_calls[0] if tool_call.function.name == "sum": # 解析参数并执行加法 args = json.loads(tool_call.function.arguments) result = sum(args["numbers"]) print("=====sum函数执行结果=====") print(result) # 第三步：回传工具结果给模型 messages.append( { "tool_call_id": tool_call.id, "role": "tool", "name": "sum", "content": str(result), } ) # 第四步：获取最终自然语言回答 final_response = get_completion(messages) print("=====最终回答=====") print(final_response.content) else: # 模型未调用工具，直接返回回答 print("=====最终回答=====") print(response.content)