022、Function Calling实战：工具定义与调用
💡 核心导读：还记得上回咱们聊的ReAct模式吗？它让模型学会了“思考-行动-观察”的循环，但真正让这种循环落地的关键，就是Function Calling——它就像给模型配了一把瑞士军刀，让LLM能调用外部工具。今天，咱们就死磕OpenAI的Function Calling机制，从原理到Schema定义，再到多工具选择与调用，手把手带你踩坑。
文章目录
- 022、Function Calling实战：工具定义与调用
- 一、核心原理：为什么Function Calling是Agent的“手脚”？
- 1. 从ReAct到Function Calling的桥接
- 2. 底层机制：Chat Completion API的“函数感知”
- 3. 函数调用的三种模式
- 二、工具Schema定义：让模型“读懂”你的API
- 1. Schema的“血肉”结构
- 2. 参数类型的“隐形坑”
- 3. 多工具定义：让模型“选择困难”
- 三、实战：完整的多工具调用流程
- 1. 一次真实的对话循环
- 2. 错误处理的艺术
- 四、高级技巧：让Function Calling更“智能”
- 1. 动态函数注入
- 2. 函数调用的“温度”控制
- 3. 流式输出的函数调用
- 五、性能与成本优化
- 1. Token消耗的计算
- 2. 调用频率控制
- 📚 参考资料
- 🎯 下期预告
一、核心原理：为什么Function Calling是Agent的“手脚”？
1. 从ReAct到Function Calling的桥接
咱们上回说ReAct模式时，我提过一个坑：当时我天真地以为让模型直接输出JSON格式的“action”字段就行，结果模型经常输出格式错误，或者动作参数不完整。后来我才明白，Function Calling不是让模型自由发挥，而是通过结构化定义来约束模型的输出。
OpenAI的Function Calling本质是：模型不直接执行函数，而是输出一个结构化的函数调用请求。咱们的应用层拿到这个请求后，再实际调用对应函数。这就像模型说：“我需要调用get_weather函数，参数是{'location': '北京'}”，然后咱们的代码去执行。
2. 底层机制：Chat Completion API的“函数感知”
当咱们在API调用中传入functions参数时，OpenAI的模型会做两件事：
- 理解函数定义：模型会解析每个函数的名称、描述、参数Schema，就像咱们读API文档一样。
- 决策是否调用：模型根据用户输入和函数描述，判断是否需要调用某个函数。如
