ChatGPT 函数调用实战：让对话模型接入实时外部数据

对话式 AI 已经能写文章、改代码、做翻译，但很多人在实际使用中都遇到过同一个尴尬：问它「现在北京天气怎么样」「某某公司股价多少」，模型要么答非所问，要么坦承自己不知道。原因并不复杂：模型的知识来自训练语料，存在时间截止点，也无法主动联网获取最新数据。Function Calling，中文常称函数调用或工具扩展，正是为解决这一问题而设计的机制：模型在对话中负责理解意图并提出请求，由外部程序执行真正的查询动作，再把结果交回给模型，组织成最终回答。

一、模型为什么会「不知道」

ChatGPT 的对话与理解能力已经相当出色，但它的知识被固定在训练数据里。天气、股价、汇率、赛事比分这类实时信息随时在变，单靠模型本身无法给出准确答复，这直接限制了它在真实业务场景中的可用性。要让模型更好地服务用户，就要给它配上可以动态获取外部信息的工具，让它开口之前先去查一下真实世界。

二、函数怎么定义

在 API 层面，函数以结构化格式定义，包含名称、描述、参数等关键信息。下面是一个查询天气函数的定义示例：

python

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get weather of an location, the user should supply a location first",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "The city and state, e.g. San Francisco, CA",
                    }
                },
                "required": ["location"]
            },
        }
    },
]

其中 name 是函数名，description 告诉模型这个函数做什么、什么时候该用，parameters 则用 JSON Schema 描述入参，required 声明哪些参数必须提供。description 写得越清楚，模型判断得越准。定义好之后，模型会根据对话上下文自动判断是否需要调用、调用哪一个。

三、一次完整调用的五个步骤

ChatGPT 函数调用五步流程示意

函数调用的完整流程可以拆成五步：

模型分析用户请求，判断是否需要调用函数；
如需调用，模型生成一个结构化的函数调用请求并返回；
程序提取该请求，执行对应的函数逻辑，比如真正去请求天气接口；
把函数返回结果追加到对话上下文中；
再次调用模型，让它结合函数结果生成最终回答。

整个过程中，模型本身并没有执行任何代码，它只负责决定调用什么、传什么参数，以及解读返回结果，真正的执行动作发生在开发者自己的程序里。这也是函数调用机制的安全边界：执行权始终留在程序一侧。

四、程序侧如何处理

在程序侧，需要解析模型返回的调用请求，分发到对应的本地函数，再把结果写回消息列表。示意代码如下：

python

tool_calls = message.get("tool_calls", [])

for tool_call in tool_calls:
    tool_name = tool_call["tool_name"]
    parameters = tool_call["parameters"]

    if tool_name == "get_weather":
        location = parameters.get("location")
        weather_result = get_weather_data(location)
        tool_response = {"role": "function", "content": weather_result}
        messages.append(tool_response)

message = send_messages(messages)
print(f"ChatGPT: {message.content}")

这段代码遍历模型返回的 tool_calls，按函数名分发执行，将结果以消息形式追加进上下文，最后再次请求模型，输出面向用户的最终回答。不同版本的 API 对字段命名的细节略有差异，但这套「解析请求、执行函数、回填结果、再次生成」的思路是一致的。