如何基于OpenAI进行Function Calling调用

基于LLM进行工具调用或技能执行是近期最热门的话题之一。目前已经有很多LLM工具调用框架比如langchain、openclaw、owl等。然而工具调用过程一般被封装在框架内用户一般只能接触到各种配置窥探不到调用细节。这里尝试基于网络资料模拟获取天气的函数示例如何利用LLM进行Function Calling的过程。1 环境准备1.1 安装openai如果尚未安装首先安装 OpenAI 库。pip install openai1.2 配置openai然后在代码中设置LLM的 API Key、Base Url示例代码如下。import os model_name gpt_model_name # LLM名称,比如deepseek-r1, qwen3.5-8b os.environ[OPENAI_API_KEY] gpt_api_key # LLM供应商提供的api key os.environ[OPENAI_BASE_URL] gpt_api_url # LLM供应商提供llm访问api的url2 工具准备由于是模拟一个获取天气的函数让模型在需要时调用它。所以在实际模拟之前需要定义工具和实现函数。2.1 定义可用的工具定义可用工具在这里即指定义Function。需要以 JSON 格式描述函数包括函数名、描述和参数。这里定义一个获取城市天气的函数tools [ { type: function, function: { name: get_weather, description: 获取指定城市的当前天气信息, parameters: { type: object, properties: { city: { type: string, description: 城市名称例如北京、上海 }, unit: { type: string, enum: [celsius, fahrenheit], description: 温度单位默认为摄氏度 } }, required: [city] } } } ]2.2 实现函数逻辑这里通过字典实现一个及其简单的示例函数模拟简单模拟返回一个字符串。示例代码如下def get_weather(city, unitcelsius): # 模拟天气数据 weather_data { 北京: {celsius: 18°C 晴, fahrenheit: 64°F 晴}, 上海: {celsius: 22°C 多云, fahrenheit: 72°F 多云}, } info weather_data.get(city, {}).get(unit, 未知城市或单位) return f{city}当前天气{info}实际应用中这里可以调用真实的天气 API。3 调用示例3.1 工具对话示例这里发起带有 tools 的对话请求发送用户消息模型可能会决定是否调用函数。对话示例代码如下。from openai import OpenAI # 2. 初始化客户端 client OpenAI() def chat_with_function(): messages [{role: user, content: 北京今天天气怎么样}] response client.beta.chat.completions.create( modelmodel_name, # 或 gpt-4-turbo 等支持 function calling 的模型 messagesmessages, toolstools, tool_choiceauto, # 让模型自动决定是否调用函数 ) # 获取模型的响应 response_message response.choices[0].message print(初始响应:, response_message) # 检查是否有工具调用请求 if response_message.tool_calls: # 将模型的响应添加到对话历史 messages.append(response_message) # 遍历所有工具调用 for tool_call in response_message.tool_calls: function_name tool_call.function.name arguments json.loads(tool_call.function.arguments) if function_name get_weather: # 调用我们实际的函数 result get_weather(**arguments) # 将函数执行结果作为消息返回 messages.append({ role: tool, tool_call_id: tool_call.id, content: result, }) # 再次请求模型将工具返回结果传递给模型获得最终回答 second_response client.beta.chat.completions.create( modelmodel_name, messagesmessages, toolstools, ) final_message second_response.choices[0].message.content print(最终回答:, final_message) else: # 没有工具调用直接输出内容 print(回答:, response_message.content) # 执行 chat_with_function()以下是运行结果示例初始响应: ChatCompletionMessage(contentNone, refusalNone, roleassistant, annotationsNone, audioNone, function_callNone, tool_calls[ChatCompletionMessageFunctionToolCall(idchatcmpl-tool-8078c38xxxxxxx, functionFunction(arguments{city: 北京}, nameget_weather), typefunction)], reasoning用户询问北京今天的天气情况。我需要使用 get_weather 工具来获取北京的天气信息。\n\n根据工具定义\n- city 参数是必需的用户已经提供了北京\n- unit 参数是可选的默认是摄氏度用户没有特别指定所以使用默认值\n\n我应该调用 get_weather 函数参数 city 设为北京。\n)最终回答:北京今天天气晴朗当前气温为18°C。是个不错的天气适合外出活动示例完整展示了Function Calling的基本流程可根据业务需求扩展更多函数和更复杂的逻辑。3.2 关键点说明这里给出上述调用过程需要注意的一些地方。1工具描述这里通过通过tools参数告知模型有哪些可用函数描述要清晰参数要准确。2模型决策这里设置 tool_choiceauto让模型自主判断是否需要调用函数。也可以强制调用某个函数如 {type: function, function: {name: get_weather}}。3处理响应模型返回的tool_calls中包含了要调用的函数名和参数执行后需要将结果以role: tool的形式追加到对话历史并再次请求模型以获得最终自然语言回答。4支持多轮如果一次响应中有多个工具调用可以依次执行并汇总结果。reference---OpenAI Function Call Streaming Examplehttps://pkg.go.dev/github.com/tmc/langchaingo/examples/openai-function-call-streaming-example#section-readmeOpenAI 函数调用上手示例大全https://docs.kanaries.net/zh/articles/openai-function-calling大模型Function Call案例实战https://bbs.huaweicloud.com/blogs/475486