千问Function Calling功能使用指南与应用场景解析

想让通义千问大模型不仅能对话，还能主动调用外部工具来查询天气、检索数据或执行计算？这一切都依赖于其核心的 Function Calling（函数调用）能力。简单来说，就是指导模型在合适的时机，以标准化的格式去“调用”你预先定义好的本地函数或API。整个过程逻辑严谨，环环相扣，是实现智能应用的关键一步。

一、定义工具函数与 JSON Schema

第一步，你需要明确告知模型，有哪些“外部工具”可供调用，以及每个工具的具体用法。这不能仅靠自然语言描述，必须使用机器能够精确解析的“标准语言”——即 JSON Schema 来规范定义。

定义的关键在于清晰和准确。例如，定义一个查询天气的工具，你需要详细说明函数名称、功能描述，以及参数的具体格式与要求：

{"type": "function", "function": {"name": "get_weather", "description": "获取指定城市当前天气", "parameters": {"type": "object", "properties": {"location": {"type": "string", "description": "城市名称，如北京、上海"}, "unit": {"type": "string", "enum": ["celsius", "fahrenheit"], "default": "celsius"}}, "required": ["location"]}}}

这里有几点必须注意：parameters 下的 properties 必须与你后端实际函数的参数定义完全一致；required 字段则用于明确指出哪些参数是调用时必须提供的，这能有效防止模型遗漏关键信息，确保调用成功。

二、构造带工具描述的提示词

定义好工具只是准备工作。接下来，在你向通义千问模型发起请求时，必须将这些工具描述作为明确的参数传入。你不能仅在系统提示语中用文字告知“你可以调用天气函数”，而必须通过API的 tools 参数正式“注册”这些工具。

具体操作时，你需要组织好对话消息列表（messages），并在调用生成接口时，将上一步定义的工具列表赋值给 tools 参数。同时，强烈建议设置 response_format={"type": "json_object"}，这可以强制模型以规整的JSON格式返回函数调用指令，极大方便后续程序的自动化解析，避免自由文本格式带来的不确定性。

三、解析并执行模型返回的调用指令

当模型判断用户的问题需要借助外部工具解决时，它不会生成常规的文本回复，而是返回一个结构化的特殊响应。这个响应的 content 字段通常为空，取而代之的是一个包含 tool_calls 字段的数据结构。

你的应用程序需要立即检查这个 tool_calls 字段。一旦发现其中有内容，就要遍历每一项，准确提取出 function.name（用于决定调用哪个函数）和 function.arguments（调用时需要传入的参数）。接着，使用 json.loads 等方法解析参数，并调用你本地对应的函数或API来执行实际任务。

四、将工具结果注入上下文并二次调用模型

工具执行完毕后，流程并未结束。模型本身并不知道工具返回的具体结果是什么，它需要这些结果来组织最终给用户的自然语言答案。因此，你需要将工具返回的原始数据，以特定的格式“注入”回对话上下文中。

具体方法是：构造一条新的消息，将其角色（role）设置为“tool”，内容（content）填入工具函数的返回值，并且必须携带对应的 tool_call_id（来自上一步模型响应），以明确标识这是对哪一次函数调用的回复。将这条消息追加到之前的对话历史末尾，然后不再携带 tools 参数，再次调用模型。这一次，模型将基于完整的对话历史和工具返回的真实数据，生成最终准确、流畅的自然语言答案。

五、应用场景示例

熟练掌握这套流程后，你会发现 Function Calling 极大地拓展了大语言模型的能力边界，使其从一个“思考者”转变为能实际操作的“执行者”。其应用场景非常广泛，包括但不限于：

1、实时数据查询：当用户询问“杭州现在气温多少？”时，模型自动调用 get_weather(location="杭州")，获取实时数据后为你解读天气状况。

2、数据库检索：面对“上季度销售额最高的产品是什么？”这类业务查询，模型可以调用 query_sales_db(time_range="2026-Q1")，直接查询企业数据库并为你分析结果。

3、Python 脚本执行：对于“计算 sin(π/4) + log10(100)”这类复杂计算或数据分析需求，模型能生成并调用 execute_python 函数执行代码，返回精确数值结果。

4、搜索引擎调用：当用户询问“2026年5月中国有哪些重大科技发布？”这类需要最新资讯的问题时，模型可以通过 search_web 工具获取网络上的实时摘要信息，确保答案的时效性。

5、IoT 设备控制：实现“把客厅空调温度设为26度”这样的智能家居语音控制。模型解析指令后调用 control_ac(room="客厅", temperature=26)，指令便能准确发送到智能家居中枢执行。

总而言之，Function Calling 的核心价值在于“无缝连接”：它通过一套标准化的协议，将通义千问等大语言模型强大的语义理解与规划能力，与你后端的业务逻辑、实时数据库、计算资源及外部API无缝衔接起来，从而构建出真正智能、动态且可交互的AI应用解决方案。