千问Function Calling功能详解：从入门到精通的实战指南

要让通义千问模型执行实时任务，例如查询天气或计算数据，核心在于启用其“Function Calling”功能。这本质上是引导模型在识别到需求时，自动调用你预设的外部工具，并将返回的数据整合成流畅的自然语言答复。整个流程可拆解为五个关键环节。

一、定义工具函数与 JSON Schema

首先，你需要明确告知模型可用的工具集。这通过一份结构化的“说明书”——JSON Schema 来实现，它为每个工具提供标准化定义。

一份完整的 Schema 需涵盖几个要素：工具类型（type）、函数名称（function.name）、功能描述（function.description），以及核心的参数结构定义（function.parameters）。

以天气查询工具为例，function.name 建议与后端实际函数名保持一致。在 parameters 对象中，需精确声明每个参数的类型（如 location 为字符串）及其含义。务必通过 required 字段指明哪些是必填参数，确保模型调用时信息完整。

二、构造带工具描述的提示词

仅定义工具不够，还需在对话初始化阶段将其呈现给模型。模型需同时接收你的查询指令和可用工具列表，才能准确判断是否触发函数调用。

操作上，你需要构建包含系统指令与用户问题的消息列表。调用 API 时，关键是将上一步定义的工具数组通过 tools 参数传入。同时，建议将 response_format 设置为 JSON 对象格式，这能强制模型返回结构化响应，便于后续程序化解析，减少自由文本的噪音。

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，其响应并非最终答案，而是一个包含具体操作指令的中间态。典型特征是响应中的 content 字段为空，而 tool_calls 字段则包含了调用详情。

此时，你的程序需要接管流程：首先验证 tool_calls 是否存在且非空。随后遍历该列表，依据每个指令中的 function.name 匹配对应的本地函数，解析 arguments 中的参数字符串（通常为 JSON），并最终执行该函数。

四、将工具结果注入上下文并二次调用模型

工具执行后返回的是原始数据（例如包含温湿度的 JSON 字符串）。我们的目标并非直接输出这些数据，而是将其转化为“上海今日多云，气温 22 摄氏度”这样的自然语句。

因此，需将工具执行结果作为新上下文反馈给模型。具体做法是：创建一条角色（role）为 “tool” 的消息，将原始结果字符串填入 content 字段，并将其追加到现有对话历史中。然后，在不携带 tools 参数 的情况下再次调用模型。这一次，模型将基于真实的工具返回数据，生成最终的自然语言回答。

五、处理无工具调用的兜底场景

并非所有用户请求都需要调用外部工具。对于常规对话，模型会直接生成回复，此时 content 字段有内容，而 tool_calls 为空。

你的程序逻辑必须兼容这种常规对话流。一个健壮的实现策略是：优先检查 content 字段是否非空，且 tool_calls 字段不存在或为空列表。若条件满足，则直接将 content 作为最终响应返回。这里有一个关键注意事项：必须显式判断 tool_calls 字段的存在性，避免在默认其存在的情况下进行解析，否则极易引发程序异常。

来源：互联网