通义千问Function Calling实战指南：从入门到精通的API调用教程

# 解锁通义千问 Function Calling：从对话模型到智能执行体 想让你的通义千问模型直接执行外部操作，例如查询实时数据或处理结构化计算吗？关键在于精准配置其 Function Calling 能力。本指南将详解实现这一功能的核心流程。 ## 一、定义工具函数与 JSON Schema 实现 Function Calling 的第一步，是为模型提供一份精确的“工具接口规范”。你需要以 JSON Schema 格式，明确声明每个可用工具的名称、功能描述以及参数结构。 一个完整的工具定义必须包含 `type`、`function.name`、`function.description` 和 `function.parameters` 等关键字段。 以下是一个天气查询函数的定义示例： ```json { "type": "function", "function": { "name": "get_current_weather", "description": "查询指定城市的实时天气状况，包括温度、湿度和天气现象", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "需要查询天气的城市名称，例如：上海、纽约" } }, "required": ["location"] } } } ``` 定义时需重点关注： 1. `parameters.properties` 中声明的参数类型必须与后端函数实现完全匹配。例如，`location` 参数定义为 `string` 类型。 2. 所有必须提供的参数都应在 `required` 数组中明确列出，例如 `["location"]`，以指导模型生成完整的调用参数。 3. 工具描述 (`description`) 应清晰具体，这直接影响模型对调用时机的判断准确性。 ## 二、构造包含工具定义的提示词 模型需要同时接收用户指令和可用工具列表，才能决策是否调用以及调用哪个工具。 正确的做法是：在构建包含 system 指令和 user 查询的 messages 列表后，**通过 API 请求的 `tools` 参数传入定义好的工具列表**。 例如，在使用 `client.chat.completions.create` 方法时，设置 `tools=[weather_tool_definition, calculator_tool_definition]`。同时，建议设置 `response_format={"type": "json_object"}` 以确保模型输出结构化的 JSON 响应，便于后续程序化解析。 ## 三、解析并执行模型返回的调用指令 当模型决定调用工具时，其响应特征为：`content` 字段为空，而 `tool_calls` 字段包含调用信息。 你的程序应按以下逻辑处理： 1. 检查响应中 `response.choices[0].message.tool_calls` 是否存在。 2. 遍历 `tool_calls` 列表，根据每个 `function_call` 的 `name` 属性（如 `"get_current_weather"`）匹配本地注册的函数。 3. 使用 `json.loads` 解析 `function_call.arguments` 字符串，获得参数字典，并以此调用对应的本地函数。 ## 四、将工具执行结果注入上下文并获取最终回复 工具执行后，需将结果反馈给模型，由其生成面向用户的最终回答。 这是一个关键的多轮交互步骤，消息格式必须规范： 1. 创建一条新的 message，设置其 `role` 为 `"tool"`。 2. 将工具函数返回的实际结果字符串填入 `content` 字段。 3. 此消息必须包含 `tool_call_id` 字段，其值需与触发调用的原始 `tool_calls` 项中的 `id` **严格一致**。 4. 将此工具消息追加到历史对话列表末尾，再次调用模型接口，即可获得整合了工具执行结果的最终回复。 ## 五、处理无需工具调用的直接回复场景 并非所有用户请求都需要调用外部函数。模型自身即可处理大量查询。 在此场景下，模型响应中不包含 `tool_calls` 字段，其 `content` 字段即为有效答案。因此，你的程序**必须同时兼容两种响应路径**。 推荐的处理逻辑是： 1. 首先检查 `response.choices[0].message.tool_calls` 是否为 `None` 或空列表。 2. 若未触发工具调用，则直接提取 `response.choices[0].message.content` 作为最终回复。 3. **关键点**：避免预设每次响应都包含 `tool_calls`。务必对 `content` 字段进行空值判断和异常处理，以构建健壮的对话流。 遵循这五个步骤，你便能成功激活通义千问的 Function Calling 能力，使其从对话模型进阶为可调度外部资源的智能体，高效处理动态、实时的任务。

来源：互联网