随着大语言模型（LLMs）的迅猛发展，“Function Calling”（函数调用）逐渐成为一个重要的能力，它使得模型不仅能聊天，还能像“中控大脑”一样调用外部函数完成具体任务，比如查天气、调用数据库、控制机器人等。
本篇文章将以一个完整可运行的 LangChain 示例为背景，手把手教你如何：
- 定义外部工具函数（Tools）
- 将函数注册到 LLM
- 构建带有多轮消息历史的对话流
- 自动识别并调用工具完成任务
- 再将结果交由模型处理，给出最终回复
一、什么是 Function Calling？
Function Calling 是指模型根据上下文，自动生成调用特定函数的指令（如 JSON 结构的函数名 + 参数），然后由程序调用真实的函数执行，最终再将结果交还给模型生成最终答复。
LangChain 对 Function Calling 的支持非常完善，封装了 OpenAI、Qwen 等兼容 Function Calling 的模型接口，并提供工具注册、调用与上下文维护机制。
二、项目结构预览
我们实现的是一个简单的对话助手，支持两个工具：
get_weather(city: str)：返回城市天气add(a: int, b: int)：返回两个数的和
代码结构如下：
├── main.py # 主程序，包含模型初始化、工具绑定、消息循环
三、代码讲解
下面逐步解析代码中的关键部分。
1. 定义工具函数
使用 LangChain 提供的 @tool 装饰器即可将普通函数注册为 Tool：
from langchain_core.tools import tool@tool
def get_weather(city: str) -> str:"""返回指定城市的天气信息"""return f"{city} 今天天气晴，28°C，湿度30%"@tool
def add(a: int, b: int) -> int:"""加法函数，返回两个整数的和"""return a + b
LangChain 会自动基于函数签名和 docstring 为模型构建 JSON schema，模型即可调用它们。
2. 初始化模型
使用 Qwen 的 Function Calling 接口：
from langchain_openai import ChatOpenAIllm = ChatOpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key="your_secret_key",model="qwen-turbo",temperature=0
)
Qwen 模型支持 Function Calling，且支持阿里云 API 兼容模式。
3. 绑定工具到模型
通过 bind_tools 把工具绑定到模型上：
llm_with_tools = llm.bind_tools([get_weather, add])
绑定后，模型就具备了识别调用这两个工具的能力。
4. 构建对话循环（含工具调用与多轮上下文）
from langchain_core.messages import HumanMessage, AIMessage, ToolMessage
import jsonmessages = [AIMessage(content="你好！我是你的AI助手，可以帮你查天气、做加法，有什么可以帮你的？")
]
available_tools = {"get_weather": get_weather, "add": add}while True:user_input = input("你：").strip()if user_input.lower() in {"exit", "quit", ""}:print("再见！")breakmessages.append(HumanMessage(content=user_input))response = llm_with_tools.invoke(messages)if response.tool_calls:print("检测到工具调用:")print(json.dumps(response.tool_calls, indent=2, ensure_ascii=False))messages.append(response)for tool_call in response.tool_calls:tool_func = available_tools.get(tool_call["name"])if tool_func:tool_result = tool_func.invoke(tool_call)messages.append(tool_result)print(f"执行 {tool_call['name']} → {tool_result.content}")else:messages.append(response)print("AI:", response.content)continuefinal_response = llm_with_tools.invoke(messages)messages.append(final_response)print("AI:", final_response.content)
🤖 工作流程解析：
- 用户输入问题，如“北京天气如何？”
- 模型识别需要调用
get_weather(city=北京) - 返回
tool_calls，代码中通过invoke()实际执行函数 - 工具返回结果后，构造成
ToolMessage添加进对话上下文 - 再次调用模型生成基于工具结果的自然语言回答
四、运行效果演示
你：北京天气如何?
检测到工具调用:
[{"name": "get_weather","args": {"city": "北京"},"id": "call_acfbc5447fa142899d4771","type": "tool_call"}
]
执行 get_weather → 北京 今天天气晴，28°C，湿度30%
AI: 北京今天天气晴朗，温度是28°C，湿度为30%。
五、核心机制解析
1. 工具函数封装为 Tool 对象
LangChain 使用 ToolMessage 封装工具执行的返回值，供下一次模型使用。
ToolMessage(tool_call_id=..., content="返回结果")
2. invoke() 自动处理消息历史
模型接收完整的消息序列（系统消息、Human消息、AI消息、Tool消息），并根据上下文判断是否执行函数或直接回复。
六、总结
本文以一个简洁易懂的例子，演示了如何使用 LangChain 实现 Function Calling：
- ✅ 支持多轮对话与上下文记忆
- ✅ 模型自动识别是否需要工具调用
- ✅ 工具结果可参与后续推理
- ✅ 可快速拓展更多工具，如数据库查询、图像生成、邮件发送等
七、参考资料
- LangChain 官方文档
- Qwen DashScope
- OpenAI Function Calling Guide
附完整项目代码
import jsonfrom langchain_core.messages import HumanMessage, AIMessage, ToolMessage
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI# Step 1：定义工具函数
@tool
def get_weather(city: str) -> str:"""返回指定城市的天气信息"""return f"{city} 今天天气晴，28°C，湿度30%"@tool
def add(a: int, b: int) -> int:"""加法函数，返回两个整数的和"""return a + b# Step 2：初始化模型
llm = ChatOpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key="your_secret_key",model="qwen-turbo",temperature=0
)# Step 3：绑定工具
llm_with_tools = llm.bind_tools([get_weather, add])# Step 4：初始化多轮消息历史
messages = [AIMessage(content="你好！我是你的AI助手，可以帮你查天气、做加法，有什么可以帮你的？")
]# Step 5：开始多轮对话循环
available_tools = {"get_weather": get_weather, "add": add}while True:user_input = input("你：").strip()if user_input.lower() in {"exit", "quit", ""}:print("再见！")break# 添加用户输入messages.append(HumanMessage(content=user_input))# 发送当前上下文给模型response = llm_with_tools.invoke(messages)# print(type(response))# print(response)# 判断是否需要调用工具if response.tool_calls:print("检测到工具调用:")# print(type(response.tool_calls))# print(response.tool_calls)print(json.dumps(response.tool_calls, indent=2, ensure_ascii=False))# 把 tool_call 消息添加到对话历史messages.append(response)# 执行所有工具调用并添加结果for tool_call in response.tool_calls:tool_name = tool_call["name"]# print(tool_call["args"]["city"])# print(type(tool_call["args"]["city"]))tool_func = available_tools.get(tool_name)if tool_func:tool_result = tool_func.invoke(tool_call)messages.append(tool_result)print(f"执行 {tool_name} → {tool_result.content}")else:print(f"未找到工具：{tool_name}")else:# 如果没有 tool_call，直接是 AI 回答messages.append(response)print("AI:", response.content)continue# 工具执行完后再次交给模型生成最终回答final_response = llm_with_tools.invoke(messages)messages.append(final_response)print("AI: ", final_response.content)
