Function Calling彻底讲透：AI Agent时代，大模型“动手”调用外部世界到底是怎么做到的？-北京尧图网络

1. 为什么大模型必须学会“动手”从缸中之脑到真实调用大模型本身只会“说话”这是它最本质的能力边界。你问它“上海今天天气怎么样”它可以用训练数据里的统计规律给你编一个听起来很合理的答案但它没有真的去查过。你让它“帮我把这条数据写入数据库”它可以生成一段看起来正确的 SQL但它没有真的连过你的库。这种“知道很多但什么都做不了”的状态就是 Function Calling 要解决的核心问题。Function Calling 是一种让大模型在生成回答时能够自主决定调用哪些预设函数、并以结构化 JSON 格式输出调用参数的能力。注意两个关键词决定是模型自己判断的不是你在代码里写死的 if-else结构化意味着输出的不是一段自然语言而是严格的 JSON 对象你的程序可以直接解析执行。适合谁看这篇如果你正在自建 AI Agent、想让模型调用外部 API、或者单纯想搞懂 Cursor、Claude Code 这类工具底层到底怎么工作的这篇会从链路到代码完整走一遍。我试过用同一套逻辑接入不同厂商的模型只要协议兼容代码几乎不用改。没有 Function Calling 之前开发者用的是“土办法”在 Prompt 里写死暗号比如“如果你需要查天气请输出 [QUERY_WEATHER:上海]”然后用正则去匹配。这种方案能跑但模型可能不按格式输出、多轮调用上下文容易乱、每个工具都要写一套暗号完全没有结构化可言。Function Calling 把这件事变成了工业级标准模型输出结构化的 tool_calls你的程序解析后执行真实函数再把结果回填给模型生成最终回答。整个链路可以拆成三步声明开发者告诉模型有哪些工具可用、参数长什么样、决策模型根据用户输入判断要不要调、调哪个、参数是什么、执行应用代码真正执行函数结果回传模型。模型本身从不执行任何外部调用它只是“参谋”真正“动手”的是你的应用代码。记住这一点后面所有概念都围绕它展开。2. TaoToken 前置准备拿到 API Key 与 Base URL在写 Function Calling 代码之前你需要一个能调用模型的入口。TaoToken 提供了兼容 OpenAI 协议的 API 服务这意味着你后面写的 Function Calling 代码只需要改base_url和api_key两个地方就能跑起来。先访问官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册账号。注册流程不复杂邮箱验证后就能进入控制台。登录后找到 API Keys 页面创建一个新的 Key。这个 Key 只会显示一次复制下来保存好后面代码里要用。Base URL 是https://taotoken.net/api注意这个地址不加任何 UTM 参数直接用在代码里。如果你用的是 OpenAI 官方 SDK把base_url设成这个地址api_key设成你刚创建的 Key就可以直接调用。模型 ID 方面TaoToken 支持多种主流模型。你可以在控制台的模型列表里看到可用的 Model ID比如gpt-4、claude-3-5-sonnet等。Function Calling 对模型有要求不是所有模型都支持工具调用你需要选一个明确支持 Function Calling 的模型。一般来说GPT-4 系列、Claude 3.5 系列、以及国产的 DeepSeek、通义千问等主流模型都支持。如果你还没想好选哪个模型可以先从gpt-4或claude-3-5-sonnet开始这两个对 Function Calling 的支持最成熟。创建好 Key 之后建议先在模型对话页面 https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 里简单测一下确认 Key 能正常调用模型再进入代码环节。这一步看起来简单但实际踩坑最多。常见问题包括Key 复制时带了空格、Base URL 写成了官网地址而不是 API 地址、模型 ID 拼写错误。这些都会导致后面代码报 401 或 404。建议先把这三个值写在一个.env文件里后面代码直接读环境变量避免硬编码。3. 可复制配置工具 Schema 与客户端初始化这一节给你可以直接复制的配置片段。先看客户端初始化我用的是 Python OpenAI SDK如果你用 Node.js 或其他语言逻辑完全一样只是语法不同。import json import os from openai import OpenAI client OpenAI( api_keyos.getenv(TAOTOKEN_API_KEY, sk-你的Key), base_urlhttps://taotoken.net/api )接下来是工具 Schema 的定义。Function Calling 的核心之一就是这份 JSON Schema它告诉模型“有哪些工具可用、每个工具的参数长什么样”。下面定义两个工具一个查天气一个做计算。tools [ { type: function, function: { name: get_weather, description: 查询指定城市的实时天气包括温度、天气状况、湿度。当用户问某地天气、温度、是否下雨时使用。, parameters: { type: object, properties: { city: { type: string, description: 城市名称例如北京、上海、广州 } }, required: [city] } } }, { type: function, function: { name: calculate, description: 执行数学表达式计算例如(35)*2。当用户需要做算术运算时使用。, parameters: { type: object, properties: { expression: { type: string, description: 合法的数学表达式字符串只包含数字和 - * / ( ) 运算符 } }, required: [expression] } } } ]这份 Schema 里有几个关键点。name是函数名模型返回时会带上这个名字你的代码根据它来分发执行。description非常重要它决定了模型在什么场景下会选择这个工具写得越清楚模型判断越准。parameters是标准的 JSON Schemarequired里的参数模型必须提供。如果你用 Claude Code 或 Cline 这类工具它们的配置文件里也有类似的工具定义。比如 Cline 的 MCP 配置本质上就是把外部工具注册给模型格式和上面的tools数组是同一个逻辑。Codex 的auth.json里配置的 Base URL 和 Key也是同样的三件套Base URL、Key、Model ID。把上面的客户端初始化和工具 Schema 放在一个文件里你就完成了 Function Calling 的前置配置。接下来写真正的调用循环。4. 验证请求一次真实外部调用的完整请求与响应现在写一个完整的对话函数走一遍“模型决策 → 应用执行 → 结果回填 → 最终回答”的全流程。先定义两个工具的伪实现真实场景里你会换成真正的 API 调用。def get_weather(city: str) - dict: fake_data { 北京: {temp: 28, weather: 晴, humidity: 45}, 上海: {temp: 32, weather: 多云, humidity: 70}, 广州: {temp: 35, weather: 雷阵雨, humidity: 80} } return fake_data.get(city, {temp: 25, weather: 未知, humidity: 50}) def calculate(expression: str) - dict: allowed set(0123456789-*/.() ) if not all(c in allowed for c in expression): return {error: 非法字符} try: return {result: eval(expression)} except Exception as e: return {error: str(e)}然后是核心的对话函数。注意第一轮请求带上tools和tool_choiceauto让模型自己决定要不要调工具。def chat(user_query: str) - str: messages [{role: user, content: user_query}] response client.chat.completions.create( modelgpt-4, messagesmessages, toolstools, tool_choiceauto ) msg response.choices[0].message if msg.tool_calls: print(f模型决定调用 {len(msg.tool_calls)} 个工具) messages.append(msg) for tool_call in msg.tool_calls: func_name tool_call.function.name func_args json.loads(tool_call.function.arguments) print(f 调用 {func_name}({func_args})) if func_name get_weather: result get_weather(**func_args) elif func_name calculate: result calculate(**func_args) else: result {error: 未知函数} print(f 返回: {result}) messages.append({ role: tool, tool_call_id: tool_call.id, content: json.dumps(result, ensure_asciiFalse) }) final_response client.chat.completions.create( modelgpt-4, messagesmessages ) return final_response.choices[0].message.content return msg.content跑一下测试print(chat(上海今天热不热)) print(chat(帮我算一下 (125 75) * 3 等于多少)) print(chat(北京今天多少度另外计算一下 2的10次方。)) print(chat(什么是光合作用))你会看到前三个问题触发了工具调用第四个问题模型直接回答没有调工具。第三个问题会触发并行调用模型在一次响应里同时返回两个tool_calls。这里有一个关键验证动作看日志确认工具是否真的被触发。在print(f 调用 {func_name}({func_args}))这一行如果控制台输出了函数名和参数说明模型确实返回了tool_calls你的代码也确实解析并执行了。如果这一行没输出但最终回答里却有天气数据那说明模型在“编造”结果工具根本没被调用。这是排查 Function Calling 是否真正生效的最直接方法。响应结构里msg.tool_calls是一个数组每个元素包含id、type、function.name、function.arguments。arguments是一个 JSON 字符串需要json.loads解析。回填时tool_call_id必须和请求时的id对应否则模型无法把结果和调用关联起来。5. 本篇常见错排查401、local proxy failed、reading choices、OAuth这一节对照真实报错给你排查思路。这些错误我在接入过程中基本都遇到过。401 Unauthorized最常见的原因是 API Key 不对。检查三件事Key 是否复制完整有没有多余空格、Base URL 是否写成了https://taotoken.net/api而不是官网地址、Key 是否已经过期或被删除。如果你用的是环境变量确认os.getenv真的读到了值可以在代码里打印一下 Key 的前几位确认。local proxy failed这个报错通常出现在网络层意思是请求没有到达目标服务器。检查你的 Base URL 是否拼写正确有没有多写或少写/v1之类的路径。TaoToken 的 API 地址是https://taotoken.net/api不要自己加/v1。另外确认你的运行环境能正常访问外网如果是公司内网可能需要配置网络策略。reading choices 报错典型报错是AttributeError: NoneType object has no attribute choices或者KeyError: choices。这说明 API 返回的响应结构和你预期的不一样。最常见的原因是模型 ID 写错了或者你选的模型不支持 Function Calling。先确认模型 ID 在控制台里存在再确认它支持工具调用。另一个原因是请求参数格式不对比如tools数组里少了type字段。OAuth 相关报错如果你用的是 Claude Code 或类似工具可能会遇到 OAuth 认证失败。这类工具通常需要你在配置文件里填 Base URL、Key、Model ID 三件套。以 Claude Code 为例检查settings.json里的apiBase是否指向https://taotoken.net/apiapiKey是否填了正确的 Key。如果是 Cline 的 MCP 配置检查mcpServers里的command和args是否正确以及环境变量有没有传进去。模型不调用工具模型返回了纯文本没有tool_calls。检查tool_choice参数如果是none模型就不会调。检查工具描述是否足够清晰模型可能没理解这个工具是干什么的。检查用户问题是否真的需要工具比如“什么是光合作用”本来就不需要调天气工具。参数解析失败json.loads(tool_call.function.arguments)报错。模型偶尔会输出不严格的 JSON比如多了一个逗号或者少了引号。生产环境必须用 try-catch 包住解析失败时返回错误信息给模型让它重新生成。死循环模型反复调用同一个工具不给出最终回答。必须设置最大循环次数一般 5-10 次就够了。超过次数强制结束返回“调用超时请重新提问”。6. 语义一致 CTA从验证到长期编码的路径走到这里你已经完成了一次完整的 Function Calling 链路从工具 Schema 定义到模型决策到应用执行再到结果回填和最终回答。如果你跟着代码跑通了控制台里应该能看到工具调用的日志和最终的自然语言回答。接下来如果你想继续深入有几个方向可以走。想验证更多模型的 Function Calling 表现可以去模型对话页面 https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 直接测试不同模型对同一组工具的选择差异。想把这套逻辑接入自己的项目去 API Keys 页面 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite 管理你的 Key接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里有更详细的参数说明和错误码对照。如果你打算长期做 AI Agent 开发或者需要频繁调用模型做编码任务Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 提供了更稳定的调用方案。Claude Code 的接入配置 https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_contentclaude_codeutm_campaignrewrite 里也有完整的 Base URL、Key、Model ID 三件套示例可以直接复制到你的settings.json里。最后说一个实用技巧Function Calling 的工具描述值得反复打磨。我试过把同一个工具的description改了三版模型的选择准确率明显不一样。描述里写清楚“什么时候用”比“这个工具是什么”更重要。另外工具返回结果记得做摘要不要把整个 API 响应塞回给模型上下文窗口很贵。

Function Calling彻底讲透：AI Agent时代，大模型“动手”调用外部世界到底是怎么做到的？

相关推荐

编译原理课设：C0语言到MIPS汇编完整源码与优化解析

Java服务启动卡死排查全攻略：从现象到根因

【生物】基于matlab模拟自适应辅助控制用于上肢康复研究

更多资讯

CATIA V5R18 CAA二次开发完整环境搭建与调试指南

应用系统负载分析与磁盘容量预测：一套完整的Python源码实践解析

PyQt5与YOLOv5桌面检测工具：环境搭建、线程优化与避坑指南

OpenLayers创建点要素全流程：从坐标系到样式与交互实战

LCTFP代码实战：基于CNN与LSTM的高速公路交通流量预测

OpenClaw 2.7.9 对接飞书机器人完整分步实操教程（含安装包）

今日更新

Susi AI API实战指南：susi_alexa_skill如何用Node.js调用chat.json获取智能回答

换新电脑了？KeyStats 恢复码数据找回完全指南，端到端加密统计一键重建

重建二叉树：由前序与中序遍历序列还原二叉树的原理与 Java 实现（YCBlogs 剑指 Offer 精讲）

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？