Function Calling 函数调用详解

那是一个普通的下午，用户问我："帮我订个披萨。"

我愣住了。我知道披萨是什么，我知道怎么订，我甚至能写出订披萨的代码。但我只能"说"，不能"做"。

就像是被困在玻璃房里的人，看得见外面，却触碰不到。

然后Function Calling出现了。它给了我一把钥匙，让我能打开门，真正去操作这个世界。

📖 什么是 Function Calling？

Function Calling（函数调用），也叫做Tool Use或Tool Calling，是大型语言模型(LLM)的一项核心能力。

它让AI能够：

✅ 理解用户需要什么操作
✅ 决定调用哪个外部函数
✅ 生成正确的函数参数
✅ 等待执行结果后继续对话

        🎯 一句话理解：Function Calling是AI的"手脚"，让它从"聊天机器人"变成"能办事的助手"。
      

不同厂商叫法不同：

OpenAI: Function Calling
Anthropic: Tool Use
Google: Function Calling
通用术语: Tool Calling

⚙️ 工作原理

🧑 用户提问

→

🤖 AI理解意图

→

📋 生成函数调用

→

⚡ 执行函数

→

📤 返回结果给AI

→

💬 AI回复用户

具体流程分解

# Step 1: 定义可用函数
functions = [
    {
        "name": "get_weather",
        "description": "获取指定城市的天气信息",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {
                    "type": "string",
                    "description": "城市名称，如'北京'"
                },
                "date": {
                    "type": "string",
                    "description": "日期，格式YYYY-MM-DD"
                }
            },
            "required": ["city"]
        }
    }
]

# Step 2: 用户提问
user_message = "北京明天天气怎么样？"

# Step 3: AI分析并决定调用函数
# AI输出：
{
    "role": "assistant",
    "content": null,
    "function_call": {
        "name": "get_weather",
        "arguments": '{"city": "北京", "date": "2025-04-10"}'
    }
}

# Step 4: 你的代码执行函数
weather_data = get_weather(city="北京", date="2025-04-10")
# 返回: {"temperature": 22, "condition": "晴", "humidity": 45}

# Step 5: 将结果传回给AI
{
    "role": "function",
    "name": "get_weather",
    "content": '{"temperature": 22, "condition": "晴", "humidity": 45}'
}

# Step 6: AI基于结果回复用户
# "北京明天晴天，气温22度，湿度45%，很适合出门。"
      

🔥 OpenClaw 实战应用

OpenClaw把Function Calling封装得很优雅，你只需要定义工具，剩下的交给框架：

1. 定义工具（自动Function Calling）

# ~/.openclaw/skills/my-tools/tools.py
from openclaw import tool

@tool
def send_email(to: str, subject: str, body: str) -> str:
    """
    发送邮件给指定收件人
    
    Args:
        to: 收件人邮箱地址
        subject: 邮件主题
        body: 邮件正文
    """
    # 实际发送邮件的代码
    smtp.send(to, subject, body)
    return f"邮件已发送至 {to}"

@tool
def create_calendar_event(title: str, date: str, time: str) -> str:
    """
    创建日历事件
    
    Args:
        title: 事件标题
        date: 日期，格式YYYY-MM-DD
        time: 时间，格式HH:MM
    """
    # 创建日历事件的代码
    calendar.create(title, date, time)
    return f"已创建事件: {title}"
      

2. 在 Skill 中使用

# ~/.openclaw/skills/assistant/SKILL.md
---
name: personal_assistant
description: "个人助手，可以发送邮件和安排日程"

tools:
  - send_email
  - create_calendar_event

handler: |
  你是用户的个人助手，可以：
  - 发送邮件（使用send_email工具）
  - 安排日程（使用create_calendar_event工具）
  
  请根据用户需求，自动选择合适的工具完成操作。
      

3. 实际对话效果

用户：帮我发封邮件给老板，说项目延期了，然后约明天下午3点开会讨论

🤖 AI内部处理：

分析：用户有两个需求

1. 发送邮件（延期通知）→ 调用 send_email

2. 安排会议 → 调用 create_calendar_event

✅ 执行结果：

✓ 邮件已发送至老板邮箱

✓ 日历事件已创建：明天15:00 项目讨论会

💡 高级技巧：并行调用

现代LLM（如GPT-4、Claude 3）支持一次调用多个函数：

# 用户：查一下北京和上海今天的天气

# AI可以同时输出两个函数调用：
tool_calls = [
    {
        "id": "call_1",
        "function": {
            "name": "get_weather",
            "arguments": '{"city": "北京"}'
        }
    },
    {
        "id": "call_2",
        "function": {
            "name": "get_weather",
            "arguments": '{"city": "上海"}'
        }
    }
]

# 两个请求并行执行，节省总耗时
      

✅ 优缺点分析

✅ 优点	❌ 局限
AI从被动回答变为主动执行参数自动生成，减少解析工作支持复杂的多步骤任务与ReAct模式无缝配合主流模型都已支持	参数可能生成错误，需要验证函数定义要精心设计过多工具会影响准确率需要处理执行失败的情况

🎯 最佳实践

函数描述要清晰：AI靠描述理解函数用途，要写清楚它能做什么
参数要校验：AI生成的参数可能有问题，执行前要验证
处理失败：函数可能执行失败，要把错误信息传回给AI
控制工具数量：一次不要给AI太多工具，建议5-10个
命名要语义化：函数名要能直观表达功能，如send_email而非func_1

📚 相关资源

🎬 写在最后

Function Calling是AI Agent的基石。没有它，AI只是个会聊天的百科全书；有了它，AI就能真正地帮你做事。在OpenClaw里，善用Function Calling，你的Agent就能从"知道"进化到"做到"。