AI 智能体与函数调用：为 LLM 构建工具

AI2026-09-25TryQuickToolBox

你正在构建一个需要获取实时数据、执行计算或与外部 API 交互的 AI 智能体。但如何弥合 LLM 文本生成与实际代码执行之间的鸿沟？函数调用（也称为工具使用）就是答案。它让 LLM 请求特定操作，由你的代码执行这些操作。本指南将带你了解如何为 AI 智能体设计、实现和调试函数调用。

什么是函数调用？

函数调用是一种机制，LLM 可以输出结构化请求来调用你定义的函数。模型不再生成自由文本，而是返回包含函数名和参数的 JSON 对象。然后你的应用程序执行该函数，并将结果反馈给模型。这使智能体能够执行文本生成之外的操作，例如查询数据库、发送邮件或调用 API。

OpenAI、Anthropic 和 Google 等主要 LLM 提供商都支持函数调用。核心思路一致：你描述可用的工具，模型决定何时使用它们，你负责处理执行。

为 LLM 设计工具

设计良好的工具对于可靠的智能体行为至关重要。遵循以下原则：

清晰的名称和描述：使用描述性的函数名称和详细的描述。LLM 依赖这些信息来选择正确的工具。
简单的参数：保持参数最少，并使用标准类型（string、number、boolean、array、object）。尽可能避免复杂的嵌套结构。
幂等性：尽可能将工具设计为幂等的（可安全重试），以便优雅地处理失败。
错误处理：返回信息丰富的错误消息，以便 LLM 调整其方法。

示例：天气工具

以下是一个简单的 JSON schema 格式工具定义，常用于 OpenAI 的 API：

{
  "name": "get_weather",
  "description": "Get the current weather for a given city",
  "parameters": {
    "type": "object",
    "properties": {
      "city": {
        "type": "string",
        "description": "The city name, e.g., San Francisco"
      },
      "unit": {
        "type": "string",
        "enum": ["celsius", "fahrenheit"],
        "description": "Temperature unit"
      }
    },
    "required": ["city"]
  }
}

实现函数调用：分步指南

让我们使用 OpenAI 的 API 构建一个最小的智能体循环（该模式也适用于其他提供商）。

1. 定义你的工具

创建工具 schema 列表以及函数名称到实际 Python 函数的映射。

import json
import openai

# Tool schemas
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get current weather for a city",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string"},
                    "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
                },
                "required": ["city"]
            }
        }
    }
]

# Actual functions
def get_weather(city: str, unit: str = "celsius") -> dict:
    # In reality, call a weather API
    return {"city": city, "temperature": 22, "unit": unit, "condition": "sunny"}

# Map names to functions
function_map = {
    "get_weather": get_weather
}

2. 创建智能体循环

智能体循环向 LLM 发送消息，检查工具调用，执行它们，并重复直到模型返回最终答案。

def run_agent(user_message: str):
    messages = [{"role": "user", "content": user_message}]
    
    while True:
        response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=messages,
            tools=tools,
            tool_choice="auto"
        )
        
        message = response.choices[0].message
        messages.append(message)
        
        # If no tool calls, return the content
        if not message.get("tool_calls"):
            return message["content"]
        
        # Execute each tool call
        for tool_call in message.tool_calls:
            function_name = tool_call.function.name
            arguments = json.loads(tool_call.function.arguments)
            
            if function_name in function_map:
                result = function_map[function_name](**arguments)
            else:
                result = {"error": f"Unknown function: {function_name}"}
            
            # Append tool result to messages
            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": json.dumps(result)
            })

此循环持续进行，直到 LLM 生成不带工具调用的响应，表明它已获得足够的信息。

3. 处理错误和边缘情况

真实世界的智能体必须处理：

无效参数：在解析参数或调用函数时捕获异常。
未知工具：向 LLM 返回错误消息，以便它自我纠正。
超时：为外部 API 调用设置超时，避免挂起。
速率限制：实现带指数退避的重试。

可靠智能体的最佳实践

限制工具数量：太多工具会混淆模型。将相关函数分组或使用路由器。
验证输入：在执行前对所有参数进行清理和验证。
记录一切：记录工具调用和结果，用于调试和审计。
用多样化提示测试：确保智能体在不同场景下选择正确的工具。
提供回退方案：如果工具失败，智能体应尝试替代方案或请求澄清。

函数调用支持对比

提供商	功能名称	格式
OpenAI	Function Calling	JSON Schema
Anthropic	Tool Use	JSON Schema
Google	Function Calling	OpenAPI Schema

高级模式

随着智能体的成长，考虑以下模式：

并行工具调用：某些模型可以一次请求多个工具。并发执行以提高速度。
人在回路中：对于敏感操作（例如汇款），在执行前需要人工批准。
记忆：存储对话历史和工具结果，以便在长时间会话中提供上下文。
工具路由：在调用主 LLM 之前，使用轻量级分类器选择相关工具。

调试函数调用

当出现问题时，检查：

工具描述是否清晰明确？
参数名称和类型是否正确？
模型是否有足够的上下文来选择正确的工具？
是否正确处理工具结果（例如 JSON 序列化）？

使用日志记录完整的消息历史和工具调用。通常，问题在于预期参数与实际参数不匹配。

常见问题

函数调用和工具使用有什么区别？

它们指的是同一个概念。OpenAI 称之为“函数调用”，而 Anthropic 使用“工具使用”。两者都允许 LLM 请求执行外部函数。

我可以将函数调用与开源模型一起使用吗？

可以，一些开源模型如 Llama 3.1 支持函数调用，LangChain 等框架提供了抽象。然而，支持程度各异，你可能需要微调或使用特定的提示格式。

如何防止 LLM 调用危险函数？

切勿直接暴露危险函数。使用允许列表、验证输入并实施权限检查。对于敏感操作，在执行前需要人工确认。

准备好构建你自己的 AI 智能体了吗？从定义一个简单的工具并测试智能体循环开始。如需更多开发者工具，请查看我们的 JSON Formatter 来调试工具调用负载。