江苏省网站备案系统武汉抖音seo搜索

🧠 Function Call 深入解析笔记

核心认知：我们的请求包含"问题+工具箱"，模型只有两个选择：自己给答案或调用工具(tool_calls)，我们执行工具后再将结果返回模型获取最终答案

---

📂 完整流程与接口规范

1️⃣ 我们发送给模型的请求结构

{"messages": [{"role": "user","content": "明天纽约天气怎么样？"  // 用户问题}],"tools": [  // 可用工具列表{"name": "search","description": "联网搜索信息","parameters": {"type": "object","properties": {"query": {"type": "string",  // 参数类型必须是字符串"description": "搜索关键词"}},"required": ["query"]  // 必填字段}}]
}

2️⃣ 模型返回的两种结果（关键！）

情况1️⃣: 直接回答（模型自己解决）

{"choices": [{"message": {"role": "assistant","content": "明天纽约多云，气温22-28℃"}}]
}

情况2️⃣: 工具调用（图片中的真实案例 👇）

{"choices": [{"message": {"role": "assistant","content": "",           // 内容空表示需工具"refusal": null,         // 拒绝标记为null"reasoning": null,       // 推理标记为null"tool_calls": [          // 关键调用信号！{"id": "call_6wAqOpwRVz4D21U7I1g2pTBR",  // 调用ID"type": "function",   // 调用类型"function": {"name": "search",  // 指定工具名称"arguments": "{\"query\":\"New York weather forecast tomorrow\"}" // 参数}}]}}]
}

---

🔧 工具调用处理流程

步骤1: 解析工具调用

import json# 提取工具调用信息
tool_call = response['choices'][0]['message']['tool_calls'][0]# 获取关键信息
tool_id = tool_call['id']  # "call_6wAqOpwRVz4D21U7I1g2pTBR"
tool_name = tool_call['function']['name']  # "search"
tool_args = json.loads(tool_call['function']['arguments'])  # {"query":"..."}

步骤2: 执行工具

# 根据工具名称调用对应功能
if tool_name == "search":search_query = tool_args['query']  # "New York weather forecast tomorrow"result = execute_search(search_query)  # 调用搜索API

步骤3: 包装结果返回模型

{"role": "tool",  // 固定角色"tool_call_id": "call_6wAqOpwRVz4D21U7I1g2pTBR",  // 必须匹配原始ID"name": "search",  // 工具名称"content": "{\"temperature\":26,\"conditions\":\"sunny\"}"  // 执行结果
}

步骤4: 获取最终回答

{"choices": [{"message": {"role": "assistant","content": "纽约明天晴天☀️，气温26℃，适合户外活动！"}}]
}

---

📊 核心调用流程图

---

💡 关键学习点（按图片信息总结）

1. tool_calls 是黄金信号

   • content 为空字符串：表示需要调用工具
   • refusal和reasoning为null：表示无拒绝理由
   • 绿色参数字符串：在JSON中以\"形式转义双引号

2. 参数解析特别注意

   # 参数是双重转义的JSON字符串！
   arguments = "{\"query\":\"New York weather forecast tomorrow\"}"# 正确解析方式：
   params = json.loads(arguments)  # 得到字典：{'query': 'New York weather...'}
   

3. 调用链必须完整

   • 返回工具结果时：tool_call_id 必须匹配原始调用ID
   • 工具名称：必须和请求中定义的一致（区分大小写）

4. 真实案例标识符

   "id": "call_6wAqOpwRVz4D21U7I1g2pTBR"  // 实际调用ID的格式
   "arguments": "{\"query\":\"...\"}"     // 参数的标准格式
   

---

总结：理解tool_calls结构 → 精确提取参数 → 正确返回工具结果 → 获得最终答案
这就是Function Call的完整循环！

Function call 概括

调用外部接口

参考链接：https://www.bilibili.com/video/BV15YJTzkENC/?spm_id_from=333.1007.tianma.1-2-2.click&vd_source=82dc2acb60a90c43a2ac0d4023a2cd34

Function call和MCP 位于不同的位置

🌐 Function Call 工具调用全流程指南

🧩 关键要素说明

1️⃣ 工具定义规范（来自您图片中的search工具）

{"name": "search","description": "搜索天气信息","parameters": {"type": "object","properties": {"query": {"type": "string"}},"required": ["query"]}
}

2️⃣ 工具调用参数解析（重点！）

import json# 从大模型响应中提取参数
response_data = {"tool_calls": [{"function": {"arguments": "{\\"query\\":\\"纽约天气\\"}"  # 双引号转义格式}}]
}# 双重解析过程
arguments_str = response_data["tool_calls"][0]["function"]["arguments"]
arguments_dict = json.loads(arguments_str)  # {"query": "纽约天气"}print(arguments_dict["query"])  # 输出: 纽约天气

3️⃣ 工具结果返回规范

# 必须包含原始调用ID
tool_response = {"role": "tool","tool_call_id": "call_XXX",  # 与原始调用ID匹配"content": json.dumps({      # 结果序列化为字符串"temperature": 25,"conditions": "晴"})
}

🔧 完整实现代码

import requests
import jsonclass FunctionCallAgent:def __init__(self, api_key):self.api_key = api_keyself.base_url = "https://api.example.com/v1/chat/completions"self.history = []# 请求大模型（包含您图片中的工具定义）def call_big_model(self, messages, tools=None):headers = {"Authorization": f"Bearer {self.api_key}","Content-Type": "application/json"}payload = {"model": "gpt-4-turbo","messages": messages,"tools": tools  # 携带工具列表}try:response = requests.post(self.base_url,json=payload,headers=headers,timeout=10)return response.json()except Exception as e:print(f"API请求失败: {str(e)}")return None# 处理用户查询（完整流程）def process_query(self, query):# 1. 添加用户消息self.history.append({"role": "user", "content": query})# 2. 准备工具定义（匹配图片中的search工具）tools = [{"type": "function","function": {"name": "search","description": "搜索天气信息","parameters": {"type": "object","properties": {"query": {"type": "string"}},"required": ["query"]}}}]# 3. 首次调用大模型（携带工具列表）response = self.call_big_model(self.history, tools)if not response:return "服务不可用"# 4. 获取响应消息message = response["choices"][0]["message"]self.history.append(message)  # 添加到历史# 5. 检查是否需要工具调用if "tool_calls" in message:tool_call = message["tool_calls"][0]call_id = tool_call["id"]func_name = tool_call["function"]["name"]# 6. 解析参数（双重解析）args_str = tool_call["function"]["arguments"]try:args_dict = json.loads(args_str)  # {"query": "纽约天气"}except json.JSONDecodeError:args_dict = {"query": "解析失败"}# 7. 执行工具调用if func_name == "search":# 实际调用天气APIweather = self.execute_search(args_dict["query"])else:weather = {"error": "未知工具"}# 8. 包装工具结果（匹配原始ID）tool_response = {"role": "tool","tool_call_id": call_id,"content": json.dumps(weather)}self.history.append(tool_response)# 9. 第二次调用大模型（获取最终答案）final_response = self.call_big_model(self.history)answer = final_response["choices"][0]["message"]["content"]return answer# 无工具调用直接返回答案return message["content"]# 工具执行函数def execute_search(self, query):"""实际查询天气API的代码"""# 这里只是一个模拟实现return {"temperature": 25, "conditions": "晴"}# 使用示例
agent = FunctionCallAgent(api_key="your-api-key")
result = agent.process_query("纽约明天天气？")
print("最终回答:", result)

📚 完整文档使用说明

1. 使用时序图：
   • 复制上方Mermaid代码到支持Mermaid的Markdown编辑器
   • 推荐使用VS Code + Mermaid插件 或 Typora
2. 使用代码：
   • 替换api_key="your-api-key"为您的大模型API密钥
   • 根据实际需求实现execute_search方法
3. 适配您图片中的信息：
   • 严格遵循黄色标记的工具列表结构
   • 正确处理arguments的双重转义格式
   • 保持ID匹配机制