企业官网建设流程全解析

理论部分

前面我们做的事情，本质上都是：给模型一段输入，让模型生成一段输出。
但当我们希望模型“帮我们做事”时，仅靠生成文本往往不够：

• 我们想要实时数据（天气、股价、数据库查询结果），模型本身拿不到
• 我们想要模型触发动作（发请求、查文件、执行计算），文本并不能直接执行

Function Calling（工具调用）就是把“模型输出”升级为“可执行的结构化意图”：

1. 我们把可用工具（函数）及参数规则告诉模型
2. 模型根据用户问题，决定要不要调用工具、调用哪个工具、传什么参数
3. 我们在代码里执行真实函数，把函数结果回传给模型
4. 模型基于工具结果生成最终回答

从工程视角看，这里最关键的是：模型只负责决定“调用什么 + 参数是什么”，真正执行仍然由我们的程序掌控。这使得工具调用更可控、更可验证，也更容易接入业务系统。

一个完整的工具调用链路里，会出现三类关键信息：

• Tool Definition（工具描述）：函数名、用途描述、参数 schema（类型、枚举、必填字段）
• Tool Call（工具调用请求）：模型生成的结构化调用意图（函数名 + arguments）
• Tool Result（工具执行结果）：我们执行函数后的返回值（通常是 JSON 字符串或可解析文本）

实践部分

本案例做什么

我们实现一个“智能天气助手”，让模型在需要时自动调用get_current_weather工具：

1. 用户提问（比如“北京天气怎么样？”）
2. 模型决定调用工具，并给出参数（location、unit）
3. 我们执行函数（这里用模拟数据代替真实天气 API）
4. 把工具返回结果喂回模型，生成最终答复

主要代码

本篇使用项目脚本：src/4.1_weather_agent.py

importosimportjsonfromdotenvimportload_dotenvfromopenaiimportOpenAI# 加载环境变量load_dotenv()client=OpenAI(api_key=os.getenv("ZHIPUAI_API_KEY"),base_url=os.getenv("ZHIPUAI_BASE_URL"))# === 1. 定义实际的工具函数 ===# 这里我们用模拟数据，实际项目中可以调用真实的天气 APIdefget_current_weather(location,unit="celsius"):"""获取指定城市的当前天气"""print(f"DEBUG: 正在查询{location}的天气...")if"北京"inlocation:returnjson.dumps({"location":"北京","temperature":"22","unit":unit,"description":"晴朗"})elif"上海"inlocation:returnjson.dumps({"location":"上海","temperature":"25","unit":unit,"description":"多云"})elif"广州"inlocation:returnjson.dumps({"location":"广州","temperature":"30","unit":unit,"description":"雷阵雨"})else:returnjson.dumps({"location":location,"temperature":"unknown"})# === 2. 定义工具描述 (Tool Definitions) ===# 告诉 LLM 有哪些工具可用，以及参数格式tools=[{"type":"function","function":{"name":"get_current_weather","description":"获取指定城市的当前天气","parameters":{"type":"object","properties":{"location":{"type":"string","description":"城市名称，如：北京、上海",},"unit":{"type":"string","enum":["celsius","fahrenheit"],"description":"温度单位，默认为摄氏度"},},"required":["location"],},},}]# === 3. 对话主循环 ===defrun_conversation():print("=== 🌦️ 智能天气助手 (Function Calling Demo) ===")print("试着问我：'北京天气怎么样？' 或 '上海和广州哪里更热？' (输入 q 退出)")messages=[]# 维护上下文whileTrue:user_input=input("\n👤 你: ")ifuser_input.lower()in['q','quit']:break# 将用户消息加入历史messages.append({"role":"user","content":user_input})# 第一次调用模型：查看是否需要调用工具response=client.chat.completions.create(model="glm-4-flash",# 确保模型支持 Function Callingmessages=messages,tools=tools,tool_choice="auto",# 让模型自动决定是否调用工具)response_message=response.choices[0].message tool_calls=response_message.tool_calls# 如果模型决定调用工具iftool_calls:# 必须先把模型的这条回复（包含工具调用请求）加入历史messages.append(response_message)print(f"🤖 AI 决定调用工具:{len(tool_calls)}个请求")# 建立函数名到实际函数的映射available_functions={"get_current_weather":get_current_weather,}# 遍历所有工具调用请求fortool_callintool_calls:function_name=tool_call.function.name function_to_call=available_functions[function_name]function_args=json.loads(tool_call.function.arguments)# 执行真正的函数function_response=function_to_call(location=function_args.get("location"),unit=function_args.get("unit"),)print(f" --> 调用{function_name}({function_args})")print(f" <-- 返回{function_response}")# 将工具执行结果作为 tool 类型的消息加入历史messages.append({"tool_call_id":tool_call.id,"role":"tool","name":function_name,"content":function_response,})# 第二次调用模型：让模型根据工具结果生成最终回答print("🤖 AI 正在根据工具结果生成回答...")final_response=client.chat.completions.create(model="glm-4-flash",messages=messages,)ai_reply=final_response.choices[0].message.contentprint(f"🤖 AI:{ai_reply}")# 把最终回答也加入历史messages.append({"role":"assistant","content":ai_reply})else:# 不需要调用工具，直接回复ai_reply=response_message.contentprint(f"🤖 AI:{ai_reply}")messages.append({"role":"assistant","content":ai_reply})if__name__=="__main__":run_conversation()

运行方式

在项目根目录执行：

python3 src/4.1_weather_agent.py

运行结果示例

我们可以输入一个需要实时信息的问题，例如：

• “北京天气怎么样？”
• “上海和广州哪里更热？”

运行时会看到类似输出（模型的措辞可能不同，但工具调用链路一致）：

=== 🌦️ 智能天气助手 (Function Calling Demo) === 试着问我：'北京天气怎么样？' 或 '上海和广州哪里更热？' (输入 q 退出) 👤 你: 上海和广州哪里更热？ 🤖 AI 决定调用工具: 2 个请求 DEBUG: 正在查询 上海 的天气... --> 调用 get_current_weather({'location': '上海', 'unit': 'celsius'}) <-- 返回 {"location": "上海", "temperature": "25", "unit": "celsius", "description": "多云"} DEBUG: 正在查询 广州 的天气... --> 调用 get_current_weather({'location': '广州', 'unit': 'celsius'}) <-- 返回 {"location": "广州", "temperature": "30", "unit": "celsius", "description": "雷阵雨"} 🤖 AI 正在根据工具结果生成回答... 🤖 AI: ...

总结

这一篇我们跑通了 Function Calling 的完整闭环：模型先决定是否调用工具以及工具参数，我们负责执行真实函数并把结果回传，最后再由模型整合工具结果生成最终回答。