一次完整的调用流程GREEN BOOK · PROGRAMMER AI CODING · 课时 03

# 你定义可用的工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市和日期的天气信息，支持查询温度、天气状况、降水等",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，如：成都、上海、深圳"
                    },
                    "date": {
                        "type": "string",
                        "description": "日期，支持格式：今天、明天、后天、2026-01-20"
                    }
                },
                "required": ["city", "date"]
            }
        }
    }
]

# 构造请求
messages = [
    {"role": "user", "content": "明天成都会下雪吗？"}
]

# 调用LLM（提供工具列表）
response = client.chat.completions.create(
    model="qwen3.6-plus",
    messages=messages,
    tools=tools  # ← 关键：tools参数是激活Function Calling的开关
)

# LLM的内部思考过程（简化）
# 1. 分析用户意图：查询天气
# 2. 检查工具列表：有get_weather可用
# 3. 判断：需要调用工具
# 4. 提取参数：city="成都", date="明天"

# response的结构
{
    "id": "chatcmpl-xxx",
    "choices": [{
        "message": {
            "role": "assistant",
            "content": null,  # ← 没有文本回答
            "tool_calls": [   # ← 有工具调用
                {
                    "id": "call_abc123",
                    "type": "function",
                    "function": {
                        "name": "get_weather",
                        "arguments": '{"city": "成都", "date": "明天"}'
                    }
                }
            ]
        },
        "finish_reason": "tool_calls"  # ← 表示需要调用工具
    }]
}

import json

# 从LLM的回复提取工具调用信息
tool_call = response.choices[0].message.tool_calls[0]
function_name = tool_call.function.name  # "get_weather"
arguments = json.loads(tool_call.function.arguments)  # {"city": "成都", "date": "明天"}

# 实际执行函数
def get_weather(city, date):
    """
    这里是你的实现
    可以调用真实的天气API
    """
    # 示例：调用天气API
    api_result = weather_api.query(
        city=city,
        date=date
    )
    return {
        "city": city,
        "date": "2026-01-16",
        "weather": "多云",
        "temperature": "-5℃ ~ 3℃",
        "precipitation": "降雪概率：80%",
        "tips": "明天可能有小雪，注意保暖"
    }

# 执行调用
function_result = get_weather(**arguments)

# function_result = {
#     "city": "成都",
#     "date": "2026-01-16",
#     "weather": "多云",
#     "temperature": "-5℃ ~ 3℃",
#     "precipitation": "降雪概率：80%",
#     "tips": "明天可能有小雪，注意保暖"
# }

# 把函数结果添加到对话历史
messages.append(response.choices[0].message)  # LLM的工具调用消息
messages.append({
    "role": "tool",  # ← 表示这是工具返回的结果，不是LLM的回答
    "tool_call_id": tool_call.id,
    "content": json.dumps(function_result)
})

# 现在messages的结构：
# [
#     {"role": "user", "content": "明天成都会下雪吗？"},
#     {"role": "assistant", "tool_calls": [...]},  # LLM说要调用工具
#     {"role": "tool", "content": "{...}"}  # 工具返回的结果
# ]

# 再次调用LLM，让它整合结果生成回答
final_response = client.chat.completions.create(
    model="qwen3-max",
    messages=messages  # LLM会看到工具的返回结果
)

# LLM基于函数结果生成回答
print(final_response.choices[0].message.content)
# "明天成都可能会下雪，降雪概率达到80%。
#  气温在-5℃到3℃之间，天气多云转雪。
#  建议您出行时注意保暖，穿上厚外套，带好围巾手套。"

# Bad： 描述不清晰
{
    "name": "query",
    "description": "查询",  # 太笼统，LLM不知道能查什么
    "parameters": {...}
}

# Good：描述清晰
{
    "name": "query_weather",
    "description": "查询指定城市和日期的天气信息，包括温度、天气状况、风力、降水等。支持查询最近7天的天气预报。",
    "parameters": {...}
}

{
    "type": "object",
    "properties": {
        "city": {
            "type": "string",
            "description": "城市名称",
            "enum": ["成都", "上海", "深圳"]  # 可选：限定可选值
        },
        "date": {
            "type": "string",
            "description": "日期，格式：YYYY-MM-DD或今天/明天/后天"
        },
        "units": {
            "type": "string",
            "description": "温度单位",
            "enum": ["celsius", "fahrenheit"],
            "default": "celsius"  # 默认值
        }
    },
    "required": ["city", "date"]  # 必填参数
}

用户："帮我发邮件"
LLM误选：get_weather（错误）

解决：完善工具描述，明确适用场景

# 用户："查查魔都明天天气"
# LLM提取：city="魔都"（错误，应该是"上海"）

# 解决：在description中说明城市名称格式
{
    "city": {
        "type": "string",
        "description": "城市标准名称，如：成都、上海（不要用别称）"
    }
}

# 用户："明天天气"（没说城市）
# LLM可能无法提取city参数

# 解决1：让LLM反问用户
if 参数缺失:
    return "请问您要查询哪个城市的天气？"

# 解决2：设置默认值
{
    "city": {
        "type": "string",
        "description": "城市名称，默认成都",
        "default": "成都"
    }
}

# 流程：
1. 第1次LLM调用 → 决定调用get_weather
2. 执行get_weather → 获取天气数据
3. 第2次LLM调用 → 判断是否下雨
4. 如果下雨 → 决定调用set_reminder
5. 执行set_reminder → 设置提醒
6. 第3次LLM调用 → 生成最终回答