Function Call 实战
共享机制
所有案例共用同一套请求封装。环境基于小米 MiMo API，chat_completion_request 是将 tools 注入 LLM 的核心函数：
python
import os
import json
from dotenv import load_dotenv, find_dotenv
from openai import OpenAI
_ = load_dotenv(find_dotenv())
client = OpenAI(
api_key=os.environ['MIMO_API_KEY'],
base_url="https://token-plan-cn.xiaomimimo.com/v1"
)
LLM = "mimo-v2.5"
def chat_completion_request(messages, tools=None, tool_choice=None, model=LLM):
"""封装模型请求，支持 tools 注入"""
return client.chat.completions.create(
model=model,
messages=messages,
tools=tools,
tool_choice=tool_choice or "auto"
)案例一：天气查询（单一函数）
目标：让模型根据城市名自动调用天气 API 获取实时数据。
定义函数
python
def get_current_weather(location):
"""获取给定地点的当前天气"""
# 查城市编码 → 调天气 API → 解析 forecast
# 返回 JSON: {"location", "high_temperature", "low_temperature", "week", "type"}函数描述（tools）
python
tools = [
{
"type": "function",
"function": {
"name": "get_current_weather",
"description": "获取给定地点的当前天气",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市或区，例如北京、海淀"
}
},
"required": ["location"]
}
}
}
]解析与执行
python
def parse_response(response):
response_message = response.choices[0].message
if response_message.tool_calls:
available_functions = {"get_current_weather": get_current_weather}
function_name = response_message.tool_calls[0].function.name
function_args = json.loads(response_message.tool_calls[0].function.arguments)
return available_functions[function_name](**function_args)主流程
python
def main():
messages = [
{"role": "system", "content": "你是天气播报助手，不确定时提示用户明确输入"},
{"role": "user", "content": "今天北京的天气如何"}
]
# 第一轮：模型返回函数调用
response1 = chat_completion_request(messages, tools=tools)
messages.append(response1.choices[0].message.model_dump())
# 执行函数，结果注入对话
function_result = parse_response(response1)
tool_call = response1.choices[0].message.tool_calls[0]
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"name": tool_call.function.name,
"content": function_result
})
# 第二轮：模型生成自然语言回答
response2 = chat_completion_request(messages, tools=tools)
print(response2.choices[0].message.content)案例二：航班查询（多函数 + 多轮调用）
目标：查询"郑州到北京 2024-04-02 航班票价"，需先查航班号再查票价，模型自动判断调用顺序。
定义两个函数
python
def get_plane_number(date, start, end):
"""查航班号，返回 {date, number}"""
plane_number = {
"北京": {"深圳": "126", "广州": "356"},
"郑州": {"北京": "1123", "天津": "3661"}
}
return {"date": date, "number": plane_number[start][end]}
def get_ticket_price(date, number):
"""查票价，返回 {ticket_price}"""
return {"ticket_price": "1000"}函数描述（tools）
python
tools = [
{
"type": "function",
"function": {
"name": "get_plane_number",
"description": "根据始发地、目的地和日期，查询对应日期的航班号",
"parameters": {
"type": "object",
"properties": {
"start": {"type": "string", "description": "出发地"},
"end": {"type": "string", "description": "目的地"},
"date": {"type": "string", "description": "日期"}
},
"required": ["start", "end", "date"]
}
}
},
{
"type": "function",
"function": {
"name": "get_ticket_price",
"description": "查询某航班在某日的价格",
"parameters": {
"type": "object",
"properties": {
"number": {"type": "string", "description": "航班号"},
"date": {"type": "string", "description": "日期"}
},
"required": ["number", "date"]
}
}
}
]解析函数调用
python
def parse_function_call(model_response):
"""根据函数名分发执行"""
if model_response.choices[0].message.tool_calls:
tool_call = model_response.choices[0].message.tool_calls[0]
args = json.loads(tool_call.function.arguments)
if tool_call.function.name == "get_plane_number":
return get_plane_number(**args)
if tool_call.function.name == "get_ticket_price":
return get_ticket_price(**args)
return ''主流程（三轮调用）
python
def main():
messages = [
{"role": "system", "content": "你是航班查询助手，不要假设或猜测参数值"},
{"role": "user", "content": "帮我查询2024年4月2日，郑州到北京的航班的票价"}
]
# 第一轮：模型调用 get_plane_number
response1 = chat_completion_request(messages, tools=tools)
messages.append(response1.choices[0].message.model_dump())
r1 = parse_function_call(response1)
messages.append({
"role": "tool",
"tool_call_id": response1.choices[0].message.tool_calls[0].id,
"content": json.dumps(r1)
})
# 第二轮：模型调用 get_ticket_price
response2 = chat_completion_request(messages, tools=tools)
messages.append(response2.choices[0].message.model_dump())
r2 = parse_function_call(response2)
messages.append({
"role": "tool",
"tool_call_id": response2.choices[0].message.tool_calls[0].id,
"content": json.dumps(r2)
})
# 第三轮：模型生成最终回答
response3 = chat_completion_request(messages, tools=tools)
print(response3.choices[0].message.content)
# → 航班号 1123，票价 1000 元案例三：数据库查询（SQL 自动生成）
目标：让模型根据自然语言问题自动生成 SQL 并执行，返回结构化结果。
关键差异：在 tools 中嵌入数据库模式
python
database_schema_string = """
CREATE TABLE emp (empno INT, ename VARCHAR(50), job VARCHAR(50), ...);
CREATE TABLE dept (DEPTNO INT, DNAME VARCHAR(14), LOC VARCHAR(13), ...);
"""
tools = [
{
"type": "function",
"function": {
"name": "ask_database",
"description": "使用此函数回答业务问题，输出为 SQL 查询语句",
"parameters": {
"type": "object",
"properties": {
"query": {
"type": "string",
"description": f"SQL 查询。数据库模式：{database_schema_string}。只含 MySQL 语法。"
}
},
"required": ["query"]
}
}
}
]数据库查询函数
python
import pymysql
def ask_database(query):
conn = pymysql.connect(host='localhost', port=3306, user='root', password='<PWD>', database='llm_db')
cursor = conn.cursor()
cursor.execute(query)
result = cursor.fetchall()
cursor.close()
conn.close()
return result执行效果
输入 "查询一下最高工资的员工姓名及对应的工资" → 模型自动生成 SELECT ename, sal FROM emp ORDER BY sal DESC LIMIT 1 → 返回结构化结果 → 模型解析为自然语言。
三个案例的递进关系
| 案例 | 核心学习点 |
|---|---|
| 天气查询 | 单一函数调用的完整流程：定义→描述→解析→执行→返回 |
| 航班查询 | 多函数自动编排 + 多轮调用链 |
| 数据库查询 | 动态 SQL 生成，将领域知识（表结构）嵌入 tools 描述 |
| （内容由AI生成，仅供参考） |