大语言模型（LLM）确实能处理不少问题，但有两个硬伤没法绕开：一是训练完后知识就“冻结”了，跟不上最新的变化；二是它碰不到外部的数据，没法实时查询或修改。那怎么办？函数调用（也叫“工具使用”）就是来填这两个坑的。它让模型能调用外部的API或函数，相当于给它配了“外设”。

具体怎么玩呢？比如你问模型“北京的天气怎么样”，同时给它一个get_weather函数，这个函数接受一个位置参数，返回天气信息。模型不会自己去调天气API——它没这个权限——而是输出一个结构化的数据，告诉你：“嘿，你应该调用get_weather，参数是‘北京’。”然后你拿着这个信息，自己去调天气服务，拿到温度、云量、风况之类的数据，再塞回给模型。模型就能顺理成章地回答：“北京现在18度，多云，空气质量良好。”

函数调用的应用场景

这个能力到底能干什么？简单列几个方向：

• 跟外部API集成。比如调气象API查天气，用地图API把地址转成经纬度，或者通过货币兑换API做汇率换算。
• 构建高级聊天机器人。不只是闲聊，还能回答产品问题、查公司财务数据，甚至做一个能随时更新信息的助手。
• 结构化数据提取。从杂乱的日志里抽取出实体，或者从用户输入中精准捞出一个或多个参数——包括处理列表和嵌套结构。
• 控制函数调用行为。比如管理并行调用、设定模型在什么情况下才能调哪些函数。
• 用自然语言查数据库。直接把“这个月销售额是多少”转成SQL查询，扔给BigQuery。
• 多模态函数调用。图片、视频、音频、PDF——这些东西也能触发函数调用。

函数调用工作原理

你可能会好奇，这个机制到底怎么运作的？核心是你在给模型的提示里，加了一份“函数声明”——用结构化的数据描述好每个函数的名称、作用、参数类型和说明。模型拿到这些声明后，会结合用户的提问，自己判断哪个函数能用、该怎么用。然后它返回一个符合OpenAPI规范的对象，告诉你调用哪个函数、参数是什么。你照着这个结果去调真正的API，拿到数据后再喂回给模型，整个流程就跑通了。

创建函数调用应用的过程

如果要自己动手做一个能跟模型交互、并用上函数调用的程序，步骤大致如下：

• 选好模型，搭好环境。
• 定义一组可用的函数，用函数声明描述清楚。
• 把用户的提问和这些函数声明一起丢给模型。
• 根据模型输出的结构化数据，真正去调函数或API。
• 把函数返回的结果再送回给模型。

这个应用可以是文本聊天机器人、语音客服、自动化工作流——没有限制。

函数声明

为了让大多数模型都能理解，函数声明一般按OpenAPI架构来设计。实现的时候，先创建一个tools对象，里面放一个或多个函数声明。一个完整的函数声明包含这些字段：

• name：函数的唯一标识符，就是个字符串。
• description：详细说明这个函数能干什么、怎么用。
• parameters：定义输入数据，是个对象。里面又分：
• type：参数的数据类型，比如string、integer、boolean。
• description：说明参数的用途和格式。
• type：整体数据类型，通常是object。
• properties：列出每个参数，每个参数都有自己的类型和描述。
• required：一个数组，列出哪些参数是必须的。

函数声明最佳实践

• name：起名要清晰，别用空格、句点或短划线，用下划线或驼峰命名法更好。
• description：写得详细、具体，必要时可以给示例。别整些模糊的描述。
• properties > type：尽量用强类型，能减少模型幻觉。比如参数值来自固定选项就用enum，别在描述里罗列；如果一定是整数，就用integer。
• properties > description：给具体示例和限制条件。

支持函数调用的模型

好消息是，现在不少模型都原生支持函数调用，比如OpenAI GPT、Anthropic Claude、Amazon SageMaker、Google Gemini、GLM4、Hammer、Qwen等。你可以基于这些平台写对应的程序来实现。

通用提示词

既然很多模型都支持原生函数调用，为什么还要讲提示词？原因很现实：第一，你用的模型可能不支持；第二，每个平台的函数调用格式和API不通用，换个平台就得重写，很麻烦。下面这个例子，就是用提示词来实现通用的函数调用，配合Python代码格式化。

respones_shema = {  
  "title": "Function Call",
  "type": "object",
  "properties": {
    "functionCall": {
      "type": "object",
      "properties": {
        "name": {
          "type": "string",
          "description": "The name of the function to call."
        },
        "args": {
          "description": "Arguments for the function, can be any valid JSON object.",
          "oneOf": [
            {"type": "null"},
            {"type": "boolean"},
            {"type": "integer"},
            {"type": "number"},
            {"type": "string"},
            {"type": "array"},
            {"type": "object"}
          ]
        }
      },
      "required": ["name", "args"],
      "additionalProperties": false
    }
  },
  "required": ["functionCall"],
  "additionalProperties": false
}

system_prompts = f"""
You ha ve access to the following tools:
{json.dumps(tools)}

You can select one of the above tools or 
just response user's content and respond 
with only a JSON object matching the following schema:
{json.dumps(response_schema)}
"""

具体的LLM API调用，大家可以根据不同平台自行实现。关键在于，这个方案让函数调用不再依赖某个特定平台的格式，而是在提示层就约定好了规则。