30 分钟

实战专项

Function Calling 工具调用

直接上干货：让大模型调用外部工具，突破它本身的知识边界。

理解 Function Calling 的概念和价值
掌握工具定义格式
理解工具调用的完整流程
实现一个多工具 Agent 原型

Function Calling：让 AI 使用工具

大模型有两个天然局限：知识有截止日期；不能执行操作（查天气、搜网页、算数学、读数据库）。Function Calling 就是给 AI 一双手，让它能调用外部工具。

ℹ️生活类比

你去餐厅：你（AI）看菜单（工具列表），决定点什么（选择工具+参数），服务员（你的程序）把订单传给厨房（执行工具），厨房做好菜端上来（返回结果），你再享用（生成回答）。AI 不做饭，它只点菜。

定义工具

直接用 JSON Schema 描述工具的名称、功能和参数。

示例代码（可运行）

Python 0%

1tools = [

2 {

3 "type": "function",

4 "function": {

5 "name": "get_weather",

6 "description": "查询指定城市的当前天气",

7 "parameters": {

8 "type": "object",

9 "properties": {

10 "city": {"type": "string", "description": "城市名称"}

11 },

12 "required": ["city"]

13 }

14 }

15 },

16 {

17 "type": "function",

18 "function": {

19 "name": "calculator",

20 "description": "计算数学表达式",

21 "parameters": {

22 "type": "object",

23 "properties": {

24 "expression": {"type": "string", "description": "数学表达式"}

25 },

26 "required": ["expression"]

27 }

28 }

29 }

30]

31print(f"已定义 {len(tools)} 个工具")

实现工具函数

示例代码（可运行）

Python 0%

1import json, math

3def calculator(expression):

4 """安全计算数学表达式"""

5 allowed = set("0123456789+-*/.() ")

6 if not all(c in allowed for c in expression):

7 return json.dumps({"error": "非法字符"})

8 try:

9 result = eval(expression, {"__builtins__": {}}, {"math": math})

10 return json.dumps({"expression": expression, "result": result})

11 except Exception as e:

12 return json.dumps({"error": str(e)})

14def get_weather(city):

15 """模拟天气查询"""

16 fake = {"北京": {"temp": 28, "weather": "晴"}, "深圳": {"temp": 33, "weather": "雷阵雨"}}

17 data = fake.get(city, {"temp": 25, "weather": "未知"})

18 return json.dumps({"city": city, **data}, ensure_ascii=False)

20print(calculator("2+3*4"))

21print(get_weather("深圳"))

🐍资深工程师经验谈

Function Calling 是 Agent 开发的核心机制。工具描述要极其清晰——AI 根据 description 决定何时调用；参数必须用 JSON Schema 严格定义；工具执行必须有超时和错误处理；永远不要用 eval 执行 AI 生成的代码——用沙箱或白名单。安全第一。

工具调用完整流程

示例代码（可运行）

Python 0%

1import json, math

3# 两个工具函数（前置知识，内联以保证本例可独立运行）

4def calculator(expression):

5 allowed = set("0123456789+-*/.() ")

6 if not all(c in allowed for c in expression):

7 return json.dumps({"error": "非法字符"})

8 try:

9 return json.dumps({"expression": expression, "result": eval(expression, {"__builtins__": {}}, {"math": math})})

10 except Exception as e:

11 return json.dumps({"error": str(e)})

13def get_weather(city):

14 fake = {"北京": {"temp": 28, "weather": "晴"}, "深圳": {"temp": 33, "weather": "雷阵雨"}}

15 data = fake.get(city, {"temp": 25, "weather": "未知"})

16 return json.dumps({"city": city, **data}, ensure_ascii=False)

18class ToolAgent:

19 """工具调用 Agent（模拟版）"""

20 def __init__(self):

21 self.tools = {"calculator": calculator, "get_weather": get_weather}

23 def should_use_tool(self, user_input):

24 """模拟 AI 判断是否需要工具"""

25 if any(w in user_input for w in ["天气", "气温"]):

26 for city in ["北京", "上海", "深圳", "广州"]:

27 if city in user_input:

28 return "get_weather", {"city": city}

29 if any(c in user_input for c in "+-*/") and any(c.isdigit() for c in user_input):

30 expr = "".join(c for c in user_input if c.isdigit() or c in "+-*/.() ").strip()

31 if expr:

32 return "calculator", {"expression": expr}

33 return None, None

35 def run(self, user_input):

36 print(f"用户: {user_input}")

37 tool_name, tool_args = self.should_use_tool(user_input)

38 if tool_name:

39 print(f"[Agent] 调用: {tool_name}({tool_args})")

40 result = self.tools[tool_name](**tool_args)

41 print(f"[结果] {result}")

42 data = json.loads(result)

43 if tool_name == "get_weather":

44 reply = f"{data['city']}当前{data['weather']}，{data['temp']}度。"

45 else:

46 reply = f"结果是 {data['result']}。"

47 else:

48 reply = f"[AI] 收到：{user_input}"

49 print(f"AI: {reply}\n")

51agent = ToolAgent()

52agent.run("深圳天气怎么样？")

53agent.run("帮我算 123 * 456")

💡真实环境中的流程

上面的 should_use_tool 是手写规则。真实环境里，你把 tools 定义和用户消息发给大模型，大模型返回 tool_calls，你的代码执行后把结果发回，大模型再生成最终回答。

找 Bug工具名和描述必须清晰具体，让 AI 知道何时调用。

{"name": "do_something", "description": "处理数据", "parameters": {}}

资深工程师加餐

底层原理 · 大厂视角 · 工程经验，点卡片展开

模型参数里的知识是「冻结」的：会过时、会幻觉、不知道你的私有数据。RAG 先从知识库检索出相关片段，再让模型「只依据这些片段」作答，相当于把记忆外挂到可随时更新的向量库。它不用重新训练、答案可溯源、知识可实时更新，是当前让大模型回答专业/私有问题最务实的方案。

挑战任务

多工具 Agent

简单+50 XP

给 Agent 添加第三个工具并测试

多工具 Agent

Python 0%

2 个测试用例

课后作业

扩展 ToolAgent

中等+20 XP

添加 get_stock_price 工具并让 Agent 能回答股价问题。

扩展 ToolAgent

Python 0%

1 个测试用例