大模型Function Calling与GPTs实战：从原理到构建智能天气助手

Function CallingGPTs大模型应用开发

于 2026-07-07 15:51:27 修改

·本内容遵循CC 4.0 BY-SA版权协议

1. 背景与核心概念

在AI技术浪潮席卷全球的今天，大模型（Large Language Model, LLM）已经从实验室走向了千行百业。然而，许多开发者和技术爱好者发现，直接使用大模型API进行对话，往往难以满足复杂的业务需求，比如查询实时天气、操作数据库、调用内部API等。这时，如何让大模型“学会”调用外部工具，就成了应用落地的关键瓶颈。

本文将聚焦于解决这一核心问题，深入浅出地讲解如何通过 Function Calling（函数调用） 和 GPTs（自定义GPT） 两大关键技术，将大模型从一个“聊天机器人”升级为能够执行具体任务的“智能体”。无论你是零基础的初学者，还是希望将AI能力集成到现有系统的开发者，都能从本文中找到一套清晰、完整、可复现的实战路径。

什么是Function Calling？ 简单来说，Function Calling 是一种让大模型理解和调用开发者预先定义好的函数（或工具）的能力。你告诉大模型：“我这里有一些工具，比如get_weather(city)可以查天气，search_database(query)可以查数据。当用户的问题需要用到这些工具时，请你告诉我应该调用哪个工具，以及传入什么参数。” 大模型会分析用户的意图，然后返回一个结构化的调用请求，你的程序再根据这个请求去真正执行函数，并将结果返回给大模型，由它组织成最终的回答。这就像给大模型配了一个“万能工具箱”。

什么是GPTs？ GPTs是OpenAI推出的一个功能，允许用户通过自然语言对话的方式，定制一个专属的、具备特定知识和能力的AI助手。你可以为它配置指令（Instructions）、上传知识文件（Knowledge）、并最关键的一步——启用Actions。Actions 的本质就是基于OpenAI的Function Calling能力，让你定义的GPT能够连接外部API，执行真实世界的操作。因此，GPTs是Function Calling能力面向终端用户的一个产品化、低代码的封装。

为什么需要掌握它们？

突破大模型的知识与能力边界：大模型的知识存在截止日期，且无法访问私有数据或执行动态操作。Function Calling/GPTs Actions 是连接大模型与外部世界（数据库、API、工具）的桥梁。
实现复杂业务流程自动化：从简单的信息查询，到涉及多步骤决策和外部系统交互的复杂流程（如智能客服、自动化报告生成、智能审批），都可以通过编排多个函数调用来实现。
降低AI应用开发门槛：GPTs提供了图形化界面，让非开发者也能快速构建具备特定功能的AI应用。而理解其背后的Function Calling原理，则是开发者进行深度定制和集成的基础。

接下来，我们将从零开始，手把手带你搭建环境、编写代码、配置GPTs，最终打造一个能真正“干活”的AI应用。

2. 环境准备与版本说明

在开始实战之前，我们需要准备好开发环境。本文将以Python作为主要开发语言，因为它在大模型生态中拥有最丰富的库和社区支持。我们将使用OpenAI的官方API作为大模型服务，同时也会介绍如何适配其他兼容OpenAI API的模型（如国内的一些大模型）。

核心环境与工具：

操作系统：Windows 10/11, macOS, 或 Linux (如 Ubuntu 20.04+)。本文示例在macOS/Linux环境下编写，Windows用户请注意命令行的差异（如使用dir代替ls）。
Python版本：Python 3.8 或更高版本。这是大多数现代AI库的最低要求。
包管理工具：pip (Python自带) 或 conda (推荐用于管理复杂的Python环境)。
代码编辑器/IDE：VS Code, PyCharm, Jupyter Notebook 等任选。
OpenAI账户与API Key：你需要一个OpenAI账户，并在API Keys页面创建一个API Key。请妥善保管此Key，不要泄露。
(可选) 国内大模型API：如果你希望使用国内的大模型服务（如百度文心一言、阿里通义千问、智谱GLM等），需要准备对应平台的API Key。这些平台大多提供了兼容OpenAI API格式的接口，迁移成本较低。

项目初始化与依赖安装：

创建项目目录并初始化虚拟环境（强烈推荐）：虚拟环境可以隔离项目依赖，避免版本冲突。

BASH

# 创建项目文件夹

mkdir ai_function_calling_demo

cd ai_function_calling_demo

# 创建虚拟环境 (以 venv 为例)

python -m venv venv

# 激活虚拟环境

# macOS/Linux:

source venv/bin/activate

# Windows:

# venv\Scripts\activate

激活后，命令行提示符前通常会显示(venv)。
安装核心依赖库：我们将主要使用openai这个官方库。同时安装python-dotenv来管理环境变量（如API Key）。

BASH

pip install openai python-dotenv requests
- openai: OpenAI官方Python SDK，用于调用GPT模型和Function Calling。
- python-dotenv: 从.env文件加载环境变量，安全地管理敏感信息。
- requests: 用于在自定义函数中调用外部HTTP API。
配置环境变量：在项目根目录创建一个名为.env的文件，将你的OpenAI API Key写入其中。

BASH

# .env 文件内容

OPENAI_API_KEY=你的OpenAI_API_Key_在这里

重要：确保.env文件被添加到.gitignore中，避免将密钥提交到代码仓库。

至此，基础开发环境已搭建完成。接下来，我们将深入Function Calling的核心机制。

3. Function Calling 核心机制与流程拆解

理解Function Calling的工作流程是成功应用它的关键。整个过程可以分解为以下几个清晰的步骤：

1. 定义工具（函数）列表 你首先需要告诉大模型你有哪些工具可用。这通过一个JSON Schema格式的列表来完成。你需要描述每个函数的名称、描述和参数。描述至关重要，大模型依靠它来判断是否以及如何调用该函数。

2. 用户发起对话 用户向你的应用程序提出一个问题或请求。

3. 应用程序调用大模型（首次） 你的程序将用户的问题和你定义的工具列表一起，发送给大模型（例如gpt-3.5-turbo或gpt-4）。你需要在API调用中设置tools参数。

4. 大模型分析并返回“工具调用请求” 大模型分析用户意图后，如果认为需要调用某个工具，它不会直接执行，而是返回一个结构化的消息。这个消息类型是tool_calls，其中包含了它想调用的function的名称和计算好的参数。

5. 应用程序执行函数 你的程序接收到这个tool_calls请求后，根据function.name找到本地对应的真实函数，并用function.arguments（一个JSON字符串）作为参数来执行它。

6. 应用程序将函数结果返回给大模型 函数执行完毕后，会得到一个结果（例如，{“temperature”: 22, “city”: “北京”}）。你的程序需要将这个结果作为一条新的消息（类型为tool，包含结果和对应的tool_call_id）追加到对话历史中，然后再次调用大模型。

7. 大模型整合信息并生成最终回答 大模型收到了函数执行的结果，结合之前的对话历史，生成面向用户的、自然流畅的最终回答。

8. 应用程序将最终回答呈现给用户。

这个流程的核心在于大模型只负责“思考”和“规划”（决定调用什么、参数是什么），而具体的“执行”由你的代码完成。这种“思考-执行”的分离，既安全又灵活。

下面，我们通过一个最简单的代码示例来直观感受这个过程。

4. 完整实战案例：打造一个智能天气查询助手

我们将构建一个命令行下的智能天气查询助手。它不仅能回答关于天气的简单问题，还能理解“北京和上海哪里更暖和？”这类需要比较的复杂查询。

4.1 项目结构与核心文件

项目目录结构如下：

TEXT

ai_function_calling_demo/

├── .env # 存储API Key等环境变量

├── .gitignore # Git忽略文件

├── requirements.txt # 项目依赖列表

├── weather_assistant.py # 主程序文件

└── tools/ # 工具函数模块

└── weather_tools.py

4.2 编写工具函数模块

首先，我们创建tools/weather_tools.py，这里定义了我们的“工具箱”。为了演示，我们用一个模拟函数代替真实的天气API调用。

PYTHON

# tools/weather_tools.py

import json

import random

from datetime import datetime

def get_current_weather(location: str, unit: str = "celsius") -> str:

"""

获取指定城市的当前天气情况。

Args:

location (str): 城市名称，例如 "北京", "Shanghai"。

unit (str): 温度单位，"celsius" 或 "fahrenheit"。默认为 "celsius"。

Returns:

str: 描述天气的JSON字符串。

"""

# 模拟天气数据生成

weather_conditions = ["晴朗", "多云", "小雨", "阴天", "大雪"]

condition = random.choice(weather_conditions)

# 生成一个基于城市名称的“稳定”随机温度，使演示结果可预期

random.seed(hash(location) % 10000)

if unit == "fahrenheit":

temperature = random.randint(50, 90) # 华氏度

else:

temperature = random.randint(10, 35) # 摄氏度

random.seed() # 重置随机种子

weather_info = {

"location": location,

"temperature": temperature,

"unit": unit,

"condition": condition,

"timestamp": datetime.now().isoformat(),

"note": "此为模拟数据，仅用于演示Function Calling。"

}

return json.dumps(weather_info, ensure_ascii=False)

# 工具列表的定义，用于提供给大模型

# 注意：描述(description)要清晰，这直接影响大模型是否调用它。

weather_tools = [

{

"type": "function",

"function": {

"name": "get_current_weather",

"description": "获取某个城市的当前天气信息，包括温度和天气状况。",

"parameters": {

"type": "object",

"properties": {

"location": {

"type": "string",

"description": "城市或地区的名称，例如：北京、San Francisco。",

"unit": {

"type": "string",

"enum": ["celsius", "fahrenheit"],

"description": "温度单位，摄氏度或华氏度。",

}

"required": ["location"],

"additionalProperties": False,

}

]

# 工具名称到实际函数的映射，方便调用

available_functions = {

"get_current_weather": get_current_weather,

}

关键点解析：

函数定义 (get_current_weather)：这是一个普通的Python函数，它接收参数并返回一个JSON字符串。在实际项目中，这里应该调用如OpenWeatherMap、和风天气等真实的API。
工具列表 (weather_tools)：这是一个符合OpenAI Function Calling格式的列表。description字段必须清晰描述函数的作用，这是大模型做决策的主要依据。parameters的JSON Schema定义了函数需要的参数及其类型、描述。
函数映射 (available_functions)：一个字典，将工具列表中定义的函数名name映射到我们实际编写的Python函数对象。这样，当大模型返回调用请求时，我们可以快速找到并执行对应的函数。

4.3 编写主程序逻辑

接下来，创建主程序文件weather_assistant.py。

PYTHON

# weather_assistant.py

import os

import json

from openai import OpenAI

from dotenv import load_dotenv

from tools.weather_tools import weather_tools, available_functions

# 1. 加载环境变量

load_dotenv()

# 2. 初始化OpenAI客户端

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def run_conversation(user_input: str):

"""

运行一次完整的对话流程，处理用户输入，可能涉及函数调用。

"""

# 初始化消息历史，包含系统指令

messages = [

{

"role": "system",

"content": "你是一个友好的天气助手。请根据用户的问题，使用可用的工具获取天气信息并回答。如果用户的问题涉及多个城市比较，请分别获取这些城市的天气后再进行综合分析。请用中文回答。"

{"role": "user", "content": user_input}

]

print(f"\n用户: {user_input}")

# 3. 第一次调用大模型，传入工具定义

response = client.chat.completions.create(

model="gpt-3.5-turbo-1106", # 或 "gpt-4"

messages=messages,

tools=weather_tools,

tool_choice="auto", # 让模型自行决定是否调用工具

)

response_message = response.choices[0].message

# 将模型的回复追加到消息历史中

messages.append(response_message)

# 4. 检查模型是否想要调用工具

tool_calls = response_message.tool_calls

if tool_calls:

print("模型决定调用工具...")

# 5. 遍历所有工具调用请求（模型可能一次请求调用多个工具）

for tool_call in tool_calls:

function_name = tool_call.function.name

function_to_call = available_functions.get(function_name)

if function_to_call:

# 解析模型提供的参数

function_args = json.loads(tool_call.function.arguments)

print(f" 执行函数: {function_name}, 参数: {function_args}")

# 执行本地函数

function_response = function_to_call(**function_args)

# 6. 将函数执行结果作为新的消息追加到历史中

messages.append({

"tool_call_id": tool_call.id,

"role": "tool",

"name": function_name,

"content": function_response, # 函数返回的JSON字符串

})

else:

# 如果请求的函数不存在，返回错误信息

error_response = json.dumps({"error": f"函数 {function_name} 未找到或不可用。"})

messages.append({

"tool_call_id": tool_call.id,

"role": "tool",

"name": function_name,

"content": error_response,

})

# 7. 第二次调用大模型，传入函数执行结果，让它生成最终回答

second_response = client.chat.completions.create(

model="gpt-3.5-turbo-1106",

messages=messages, # 此时messages包含了函数执行结果

)

final_message = second_response.choices[0].message

messages.append(final_message)

print(f"助手: {final_message.content}\n")

return final_message.content

else:

# 如果模型没有调用工具，直接返回它的回复

print(f"助手: {response_message.content}\n")

return response_message.content

if __name__ == "__main__":

print("=== 智能天气助手 (输入 'quit' 退出) ===")

while True:

try:

user_input = input("\n请输入您的问题: ").strip()

if user_input.lower() in ['quit', 'exit', 'q']:

print("再见！")

break

if user_input:

run_conversation(user_input)

except KeyboardInterrupt:

print("\n程序被中断。")

break

except Exception as e:

print(f"发生错误: {e}")

4.4 运行与验证

确保你的.env文件已正确配置OPENAI_API_KEY。
在终端中，确保位于项目根目录且虚拟环境已激活。
运行程序：

BASH

python weather_assistant.py
与助手进行对话，观察其行为：
- 简单查询：输入“北京天气怎么样？”。程序会调用get_current_weather函数，获取模拟数据，然后生成回答。
- 带参数查询：输入“旧金山现在的气温是多少华氏度？”。模型会识别出location为“旧金山”，unit为“fahrenheit”。
- 复杂比较：输入“北京和上海哪里更暖和？”。这是Function Calling威力的体现。模型会分析出需要比较两个城市，因此可能会连续发起两次工具调用（一次查询北京，一次查询上海），获取数据后再进行对比分析，最后给出一个综合回答。
- 无需工具的对话：输入“你好！”。模型识别出不需要天气信息，会直接根据系统指令进行友好问候，不会调用工具。

4.5 结果说明

运行程序后，你会在终端看到类似以下的输出，清晰地展示了“思考-执行-回答”的完整链路：

TEXT

=== 智能天气助手 (输入 'quit' 退出) ===

请输入您的问题: 北京和上海哪里更暖和？

用户: 北京和上海哪里更暖和？

模型决定调用工具...

执行函数: get_current_weather, 参数: {'location': '北京', 'unit': 'celsius'}

执行函数: get_current_weather, 参数: {'location': '上海', 'unit': 'celsius'}

助手: 根据获取到的天气信息：

- 北京：气温 18°C，天气晴朗。

- 上海：气温 25°C，天气多云。

上海的气温（25°C）比北京（18°C）更高，因此上海更暖和。

通过这个案例，你已经成功实现了一个具备外部工具调用能力的AI助手。接下来，我们看看如何将这套能力产品化，通过GPTs创建一个无需代码的图形化应用。

5. 进阶实战：使用GPTs Actions打造无代码AI应用

GPTs的Actions功能，本质上是一个为你自动生成Function Calling配置界面的工具。我们将把上面编写的天气查询函数，部署成一个可供公网访问的API，然后配置到GPTs中。

5.1 将函数部署为Web API

我们需要一个简单的Web服务器来暴露我们的天气查询函数。这里使用轻量级的Flask框架。

安装Flask:

BASH

pip install flask
创建API服务器文件 weather_api.py:

PYTHON

# weather_api.py

from flask import Flask, request, jsonify

import json

import random

from datetime import datetime

app = Flask(__name__)

def get_current_weather(location: str, unit: str = "celsius") -> dict:

"""与之前工具函数逻辑一致，但返回字典"""

weather_conditions = ["晴朗", "多云", "小雨", "阴天", "大雪"]

condition = random.choice(weather_conditions)

random.seed(hash(location) % 10000)

if unit == "fahrenheit":

temperature = random.randint(50, 90)

else:

temperature = random.randint(10, 35)

random.seed()

return {

"location": location,

"temperature": temperature,

"unit": unit,

"condition": condition,

"timestamp": datetime.now().isoformat(),

}

@app.route('/weather', methods=['POST'])

def weather_endpoint():

"""处理GPTs Actions发来的请求"""

try:

data = request.get_json()

# GPTs Actions 发送的参数在 `parameters` 字段中

arguments = data.get('parameters', {})

location = arguments.get('location')

unit = arguments.get('unit', 'celsius')

if not location:

return jsonify({"error": "Missing required parameter: location"}), 400

weather_data = get_current_weather(location, unit)

# 返回格式需包含 `result` 字段，GPTs期望读取其中的内容

return jsonify({"result": weather_data})

except Exception as e:

return jsonify({"error": str(e)}), 500

if __name__ == '__main__':

# 本地运行，端口5000

app.run(debug=True, port=5000)
运行API服务器:

BASH

python weather_api.py

服务器将在 http://127.0.0.1:5000 本地运行。

5.2 配置GPTs Actions

由于GPTs需要访问公网API，本地服务器需要借助内网穿透工具（如ngrok、localtunnel）暴露到公网。这里以ngrok为例（需注册并获取authtoken）。

下载并配置ngrok，然后运行：

BASH

ngrok http 5000

ngrok会提供一个临时的公网URL，如 https://abc123.ngrok-free.app。
创建GPTs:
- 登录OpenAI ChatGPT，点击左侧边栏的Explore GPTs，然后点击Create a GPT。
- 在Configure标签页下：
  - Name: 智能天气专家
  - Description: 一个可以查询全球城市实时天气的助手。
  - Instructions: 你是一个专业的天气助手。当用户询问天气时，使用“获取天气”工具来查询。如果用户没有指定城市，请主动询问。如果用户询问比较，请分别查询后再对比。用中文回答。
- 在Knowledge部分，可以不上传文件。
- 关键步骤：配置Actions:
  - 点击Create new action。
  - Schema选择OpenAPI 3.1，但我们手动输入更简单。在API Schema框中粘贴以下内容：
  YAML
  
  openapi: 3.1.0
  
  info:
  
  title: Weather API
  
  description: Get current weather for a city.
  
  version: 1.0.0
  
  servers:
  
  - url: https://abc123.ngrok-free.app # 替换为你的ngrok URL
  
  paths:
  
  /weather:
  
  post:
  
  operationId: getCurrentWeather
  
  summary: Get current weather
  
  requestBody:
  
  required: true
  
  content:
  
  application/json:
  
  schema:
  
  type: object
  
  properties:
  
  location:
  
  type: string
  
  description: The city name.
  
  unit:
  
  type: string
  
  enum: [celsius, fahrenheit]
  
  description: Temperature unit.
  
  required:
  
  - location
  
  responses:
  
  '200':
  
  description: OK
  
  content:
  
  application/json:
  
  schema:
  
  type: object
  
  properties:
  
  result:
  
  type: object
  - 点击Import，GPTs会自动解析这个Schema，并在下方生成一个名为getCurrentWeather的Action。
  - 确保Authentication选择None（因为我们的演示API是公开的，生产环境务必使用API Key等认证方式）。
保存并测试:
- 点击右上角Save，选择发布范围（例如Only me）。
- 在预览界面，直接与你的GPT对话：“上海今天天气如何？”。GPT会识别意图，调用你配置的Action，从你的API获取数据，并生成回答。

至此，你已成功创建了一个无需编写前端界面、通过自然语言即可调用自定义API的AI应用。GPTs帮你处理了所有的对话逻辑和Function Calling的封装。

6. 常见问题与排查思路

在实际开发中，你可能会遇到以下典型问题：

问题现象	常见原因	解决思路
模型不调用函数	1. 函数描述(`description`)不清晰或与用户问题不匹配。 2. 用户问题太简单，模型认为无需调用工具也能回答。 3. API调用时未正确传入`tools`参数。	1. 优化函数描述，确保准确概括函数功能和应用场景。 2. 在系统指令中明确要求模型使用工具，或设置`tool_choice: “required”`强制使用。 3. 检查API调用代码，确认`tools`列表格式正确。
模型调用参数错误	1. 参数Schema定义不严谨（如类型、枚举值）。 2. 用户表述模糊，模型推断有误。	1. 在`parameters`的`description`中详细描述每个参数，使用`enum`限制可选值。 2. 可以在函数内部增加参数验证和错误处理逻辑，对错误参数返回清晰提示。
函数执行失败	1. 本地函数代码存在Bug或依赖服务不可用。 2. `available_functions`映射错误，找不到对应函数。	1. 在调用真实函数前进行充分的本地测试和异常捕获。 2. 检查函数名是否与工具定义中的`name`完全一致。
GPTs Action 返回“无法调用”	1. API服务器未运行或网络不通。 2. ngrok等隧道服务中断。 3. OpenAPI Schema格式错误或URL不对。 4. API返回的JSON格式不符合GPTs预期（缺少`result`字段）。	1. 使用`curl`或Postman手动测试你的API端点，确保能收到正确响应。 2. 检查ngrok状态，重新启动。 3. 仔细核对Schema，特别是`paths`、`requestBody`和`responses`部分。 4. 确保API返回`{“result”: ...}`格式。
Token消耗过多/成本高	1. 函数描述或参数Schema过于冗长。 2. 对话历史未合理管理，上下文过长。	1. 精简`description`和`parameters`的描述，在清晰的前提下保持简洁。 2. 对于长对话，可以适时总结或清除早期历史。对于固定工具集，可以考虑在每次请求中只携带必要的工具定义。

7. 最佳实践与工程建议

将Function Calling投入生产环境，需要考虑更多工程化细节：

安全第一
- 输入验证与清理：永远不要信任模型直接返回的参数。在本地函数中，对arguments进行严格的类型、范围、长度验证，防止注入攻击。
- 权限控制：不同的函数可能对应不同的权限级别。在执行函数前，应结合用户会话信息进行权限校验。
- 敏感信息：API Key、数据库密码等绝不能硬编码在代码或GPTs的Schema中。使用环境变量或安全的密钥管理服务。
提升可靠性
- 结构化错误处理：函数执行失败时，应返回结构化的错误信息（如{“error”: “具体原因”}），方便大模型理解并向用户解释。
- 设置超时与重试：调用外部API或执行耗时操作时，务必设置超时。对于暂时性失败，可以实现简单的重试机制。
- 使用更强大的模型：对于复杂逻辑和工具选择，gpt-4系列模型通常比gpt-3.5-turbo表现更稳定、更准确。
优化性能与成本
- 工具选择策略：在tool_choice参数中，可以使用“none”、“auto”或指定具体的{“type”: “function”, “function”: {“name”: “xxx”}}来精细控制模型的行为。
- 上下文管理：及时修剪过长的对话历史。对于多轮对话中不变的工具定义，可以考虑在后续请求中省略，但需注意模型可能需要工具定义来理解上下文。
- 并行处理：当模型一次性返回多个tool_calls时（如比较多个城市），可以并行执行这些函数调用以减少总耗时。
设计模式
- “规划-执行”模式：对于复杂任务，可以先让模型制定一个调用多个函数的“计划”，然后由你的程序按顺序或条件执行。这比让模型在单次对话中决定所有调用更可控。
- “Human-in-the-loop”：对于高风险操作（如发送邮件、数据库删除），可以在函数中设计审批环节，将执行权交还给真人确认。
面向GPTs的开发
- 提供清晰的隐私说明：在GPTs的配置中，明确告知用户你的Action会访问哪些数据以及用途。
- 设计友好的用户提示：在Instructions中引导用户如何更好地使用你的Action，例如“你可以问我‘纽约的天气’，或者‘比较伦敦和巴黎的气候’”。
- 处理模糊查询：在API后端，可以集成地理编码服务，将“帝都”、“魔都”这样的别名转换为标准城市名。

掌握Function Calling和GPTs，你就掌握了将大模型从“智库”变为“执行者”的钥匙。从简单的数据查询到复杂的业务流程自动化，其应用场景只受限于你的想象力。建议从本文的天气助手案例出发，尝试将其改造成查询股票、搜索文档、管理待办事项的实用工具，在实践中不断深化理解。