一、引言AI“只说不动”的时代结束了想象一个场景跨境电商运营在群里问了一句“帮我看看最近一周所有平台的订单情况分平台统计一下销售额”。如果你是一个传统的大模型你会怎么做大概率是生成一段“建议你登录Amazon Seller Central导出订单报表用Excel透视表分析……”的文字建议。这个回答正确但无用——用户真正想要的是“把事办了”而不是“听你告诉我怎么把事办了”。这正是Function Calling要解决的核心问题。Function Calling允许大模型在理解用户意图后返回结构化的函数调用请求由应用程序负责执行真实的业务操作最后将结果返回给模型生成自然语言回答。换句话说Function Calling让大模型从“只会说”进化为“既能说又能指挥做事”。二、Function Calling的本质2.1 它不是“让模型执行代码”很多开发者一开始会误解Function Calling是让大模型直接运行代码吗不是的。Function Calling的完整流程是模型判断分析用户请求决定是否需要调用某个工具生成参数返回结构化的调用请求函数名 参数应用执行由你的应用程序校验权限、执行真正的函数结果回传把执行结果交给模型生成最终答案它的本质是一种结构化调用协议——模型表达“希望执行什么操作”应用程序决定该操作能否执行以及如何执行。2.2 与ReAct模式的关系如果把ReAct模式理解为Agent执行的“循环框架”推理→行动→观察→循环那Function Calling就是这套框架中**“行动”环节的具体实现方式**。概念定位ReActAgent的执行循环模式Function Calling模型返回结构化调用请求的方式Tool具体的能力单元MCP统一的工具连接协议三、完整代码实战从工具定义到Agent编排3.1 环境准备pipinstalllangchain langchain-openai langgraph pydantic python-dotenv环境变量.envOPENAI_API_KEYsk-xxxxx OPENAI_BASE_URLhttps://api.deepseek.com/v13.2 定义工具Tools工具定义的质量直接影响模型选择工具的准确性。一个完整的工具定义需要包括名称、功能描述、参数结构三要素。其中工具名称最好采用动词短语如search_products而非process参数类型必须明确如str、int。importjsonfromtypingimportOptional,ListfrompydanticimportBaseModel,Fieldfromlangchain.toolsimportStructuredToolfromlangchain_openaiimportChatOpenAIfromlanggraph.prebuiltimportcreate_react_agent# # 1. 定义工具输入模型Pydantic Schema# classProductSearchInput(BaseModel):商品搜索工具的输入参数query:strField(description商品关键词如4k monitor)min_price:Optional[float]Field(defaultNone,description最低价格美元)max_price:Optional[float]Field(defaultNone,description最高价格美元)classStockCheckInput(BaseModel):库存查询工具的输入参数sku:strField(description商品SKU编码如MON-4K-01)classOrderQueryInput(BaseModel):订单查询工具的输入参数order_id:strField(description订单编号如ORD-001)platform:Optional[str]Field(defaultNone,description平台名称可选amazon/walmart)# # 2. 实现工具函数模拟业务逻辑# defsearch_products(query:str,min_price:Optional[float]None,max_price:Optional[float]None)-str: 搜索跨境电商平台的商品信息支持按价格区间过滤。 仅用于商品查询不用于下单或修改库存。 # 模拟商品数据mock_products[{name:Samsung 28\ 4K Monitor,sku:MON-4K-01,price:299.00,stock:156},{name:LG 27\ 4K IPS Monitor,sku:MON-4K-02,price:349.00,stock:89},{name:Dell UltraSharp 27\ 4K,sku:MON-4K-03,price:399.00,stock:45},{name:Anker USB-C Cable 6ft,sku:CBL-USB-01,price:12.99,stock:234},]# 关键词过滤results[pforpinmock_productsifquery.lower()inp[name].lower()]# 价格过滤ifmin_priceisnotNone:results[pforpinresultsifp[price]min_price]ifmax_priceisnotNone:results[pforpinresultsifp[price]max_price]returnjson.dumps(results,ensure_asciiFalse,indent2)defcheck_stock(sku:str)-str:查询指定SKU的库存数量。只读取数据不修改库存。# 模拟库存数据mock_inventory{MON-4K-01:156,MON-4K-02:89,MON-4K-03:45,CBL-USB-01:234,}stockmock_inventory.get(sku,未找到该SKU)returnjson.dumps({sku:sku,quantity:stock})defquery_order(order_id:str,platform:Optional[str]None)-str: 根据订单编号查询订单当前状态。 本工具只读取数据不修改订单。 用户未提供订单编号时不要调用应先要求用户补充。 mock_orders{ORD-001:{platform:amazon,status:已发货,amount:299.00,date:2026-08-09},ORD-002:{platform:amazon,status:待付款,amount:49.99,date:2026-08-08},ORD-003:{platform:walmart,status:已送达,amount:159.99,date:2026-08-07},}ordermock_orders.get(order_id,{status:未找到该订单})ifplatformandorder.get(platform)!platform:order[warning]f该订单不在{platform}平台实际平台为{order.get(platform)}returnjson.dumps({order_id:order_id,**order},ensure_asciiFalse)# # 3. 将函数注册为LangChain工具# search_toolStructuredTool.from_function(funcsearch_products,namesearch_products,description搜索跨境电商平台的商品信息支持按价格区间过滤。仅用于商品查询不用于下单或修改库存。,args_schemaProductSearchInput)stock_toolStructuredTool.from_function(funccheck_stock,namecheck_stock,description查询指定SKU的库存数量。只读取数据不修改库存。,args_schemaStockCheckInput)order_toolStructuredTool.from_function(funcquery_order,namequery_order,description根据订单编号查询订单当前状态。本工具只读取数据不修改订单。用户未提供订单编号时不要调用应先要求用户补充。,args_schemaOrderQueryInput)tools[search_tool,stock_tool,order_tool]工具定义的关键要点描述中明确说明了“只读取数据不修改订单”这会帮助模型在决策时避免误调用修改类操作同时明确“用户未提供订单编号时不要调用”可以让模型学会引导用户补充必要信息而非凭空猜测。3.3 Function Calling的底层机制StructuredTool封装了将函数注册为工具的核心逻辑。当Agent调用时LangChain会在请求体中添加tools字段{model:gpt-4o,messages:[...],tools:[{type:function,function:{name:search_products,description:搜索跨境电商平台的商品信息...,parameters:{type:object,properties:{query:{type:string,description:...},min_price:{type:number,description:...}},required:[query]}}}]}模型的finish_reason会变成tool_calls而非stop响应中会包含结构化的工具调用信息应用程序据此执行工具并将结果回传。3.4 构建Agent并测试# # 4. 创建ReAct Agent# llmChatOpenAI(modelgpt-4o-mini,temperature0)# LangGraph的create_react_agent自动封装了Function Calling循环agentcreate_react_agent(modelllm,toolstools,prompt你是一位跨境电商AI助手已接入商品搜索、库存查询和订单查询工具。 注意事项 1. 用户问商品时调用search_products 2. 用户问库存时调用check_stock需要提供SKU 3. 用户问订单时调用query_order需要提供订单号 4. 如果用户信息不全如缺少订单号先请用户补充 5. 所有工具都是只读的不要承诺帮你改单等操作 )# # 5. 测试运行# defrun_agent(user_input:str):print(f\n 用户:{user_input})print(-*50)resultagent.invoke({messages:[(user,user_input)]})print(f Agent:{result[messages][-1].content})if__name____main__:# 测试1商品搜索触发Function Callingrun_agent(我想买一台300美元以内的4K显示器有推荐吗)# 测试2库存查询带参数提取run_agent(帮我查一下MON-4K-01还有多少库存)# 测试3订单查询信息不全模型应引导补充run_agent(查一下我的订单状态)# 测试4多轮对话上下文保持run_agent(那ORD-001这个订单现在是什么状态)四、跨境场景的进阶应用4.1 确定性优先层对于高频、简单的查询如HS编码验证、国家代码查询可以通过规则表直接完成完全绕过LLM调用实现零成本响应。4.2 并行工具调用当用户提出复杂任务时如“查一下这些SKU的库存A、B、C”可以让Agent一次性生成多个工具调用请求由应用程序并行执行大幅缩短响应时间。4.3 成本控制每次LLM调用都产生费用。可以通过MAX_STEPS限制循环次数、设置COST_BUDGET预算、对简单查询使用便宜模型如Haiku、复杂分析使用高端模型如Sonnet等手段控制成本。4.4 安全与合规Function Calling模式下的安全边界凭证不暴露给AI模型通过环境变量注入只读操作自动放行写入操作需人工审批对返回结果中的邮箱、电话等PII信息自动脱敏。五、常见误区与最佳实践误区1工具描述越短越好正解模型选择工具依靠的是工具名称、功能描述和参数定义。详细的描述包括“什么时候用、什么时候不用、是否修改数据”远比简短描述能帮助模型做正确决策。误区2让模型直接返回JSON就行正解Function Calling的核心价值是结构化、标准化。靠Prompt让模型输出JSON格式飘忽不定无法稳定解析。Function Calling由API层保证格式规范。最佳实践清单工具名称用动词短语query_orderprocess描述说明使用边界包括“只读/修改”、“缺信息时不要调用”参数类型明确使用Pydantic Schema定义类型和必填字段异常处理完善捕获无效参数、API超时等异常并返回友好提示记录审计日志每次工具调用记录“谁、什么时候、调了什么工具、传入什么参数”六、小结Function Calling是AI Agent从“理解需求”走向“执行操作”的关键桥梁。本文从原理到代码系统介绍了本质结构化调用协议模型负责判断和生成参数应用程序负责执行实现通过LangChain的StructuredTool注册工具create_react_agent自动编排调用循环跨境场景覆盖商品搜索、库存查询、订单追踪三大核心能力最佳实践工具描述详略得当、成本控制分层、安全边界清晰Function Calling解决的核心矛盾是让大模型的“智能判断”与应用程序的“可控执行”形成闭环。这正是企业级AI Agent落地最关键的能力基石。