大模型Function Calling详解：原理、代码实现与局限性分析

zan 2025年4月13日 15时8分

#技术#编程#Web开发

大模型Function Calling的出现背景

大模型受限于训练数据的时效性，对实时场景的回答效果并不好。早期的一些模型，在面对数学等需要精确计算的场景，效果可能也不好。Function Calling的出现，使大模型可以调用外部工具, 通过工具获取数据或执行特定任务，以扬长避短。

Function Calling的处理流程

Function Calling的流程比较简单，归纳下来主要是下面6个大步骤。

函数定义：定义并实现函数，明确函数名，函数功能描述，参数，参数类型定义
请求大模型并注册函数： 在api调用大模型时，通过tools参数将函数的定义信息传递给大模型
大模型判断与选择： 大模型收到用户请求，并决定是否调用函数，当需要调用函数时，大模型会在回包中返回需要调用的函数名称，函数的参数等信息
执行函数： 本地代码解析大模型回包，当大模型返回需要执行函数的命令时，本地代码按照大模型的函数名，参数，执行函数调用
返回结果： 将函数结果发送给大模型，大模型生成最终的回答
将处理过程用时许表示之后，则如下图所示：
sequenceDiagram autonumber participant User as 👤 用户 participant Dev as 🖥️ 开发者/后端系统 participant LLM as 🧠 大模型 User ->> Dev: 提出需求 Note over Dev: 📝 函数定义: • 函数名称 • 功能描述 • 参数及类型(JSON Schema) Dev ->> LLM: 发送函数定义和用户问题 rect rgb(240, 248, 255) Note over LLM: 🤔 判断与选择: 分析是否需要调用函数 Note over LLM: ⚙️ 生成函数参数: 构造符合要求的JSON结构 end LLM ->> Dev: 函数调用请求 rect rgb(245, 245, 245) Note over Dev: 🚀 执行函数: 根据参数执行相应操作 end Dev ->> LLM: 返回函数执行结果 rect rgb(240, 248, 255) Note over LLM: 💬 生成最终回复: 结合函数结果生成自然语言回答 end LLM ->> User: 提供最终回答
Function Calling的调用案例：
下面以Deepseek为例，通过简单的案例展示Function Calling的使用。
环境准备：
首先安装 openai的sdk，国内的大多数模型都兼容openai的接口，可以直接使用openai提供的 sdk访问。

# 推荐使用虚拟环境
python -m venv .venv
source .venv/bin/activate
pip install openai

编码业务逻辑

以对一个数组求和为例，实现的代码如何：


import os
import json
from openai import OpenAI

client = OpenAI(
    api_key= os.environ.get("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com",
)

# 定义函数，对数组进行求和
def sum_array(arr=[]):
    return sum(arr)

function_map = {
    "sum_array": sum_array
}

tools = [{
    "type": "function",
    "function": {
        "name": "sum_array",
        "description": "对数组中的内容进行求和",
        "parameters": {
            "type": "object",
            "properties": {
                "arr": {
                    "type": "array",
                    "items": {
                        "type": "number"
                    },
                    "description": "需要求和的数字数组"
                }
            },
            "required": ["arr"]
        },
        "strict": True
    }
}]

def request_deepseek(messages):
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages,
        tools=tools
    )
    return response.choices[0].message

messages = [{"role": "user", "content": "计算1+2+89+76+67+220的值"}]
response = request_deepseek(messages)
messages.append(response)


if len(response.tool_calls) > 0:
 tool = response.tool_calls[0]
 if tool.function.name in function_map:
    arguments = json.loads(tool.function.arguments)
    func_result = function_map[tool.function.name](arguments["arr"])
    print(f"函数调用结果: {func_result}")
    messages.append({"role": "tool", "tool_call_id": tool.id, "content": f'{func_result}'})
    response = request_deepseek(messages)
    print(response.content)


 #下面是deepseek的回包内容
ChatCompletionMessage(
    content='', 
    role='assistant', 
    tool_calls=[
        ChatCompletionMessageToolCall(
            id='call_0_d0fb7475-0a3d-46af-84cf-b33ce6ae931f', 
            function=Function(
                arguments='{"arr":[1,2,89,76,67,220]}', 
                name='sum_array'), 
            type='function', 
            index=0)
    ])

至此，函数调用的整个流程已经跑通，整个流程不是特别复杂。

使用function calling的过程中发现function calling也存在一些局限性，例如：

1. function calling要求函数的定义清晰准确，否则大模型生成的函数名，函数参数可能不正确，导致function calling失败，或者计算结果出现错误。
2. 函数调用会导致API使用成本增加，整体延时略有上升，对服务的稳定性也带来了一些新的挑战。
3. 最后Function Calling的代码维护比较麻烦，每个Function Calling都要提前定义之后才能使用，另外Function Calling的相关代码复用暂时也没有比较好的实践。

大模型Function Calling的出现背景

Function Calling的处理流程

Function Calling的调用案例：

环境准备：

编码业务逻辑

评论