Appearance
第六阶段：Function Calling 工具调用（项目 2：客服 / 工单 Agent）
RAG 解决了“模型不知道公司资料”的问题；Function Calling 让模型能动手办事：查订单、建工单……这是 Agent 的核心能力。
一、原理
- 把函数说明书（名称、用途、参数的 JSON Schema）随请求一起交给模型；
- 模型判断需要时，返回的不是答案，而是
tool_calls（“请帮我调用某函数，参数是……”）； - 你的代码执行这个函数，把结果以
role="tool"加上对应的tool_call_id回传； - 模型拿到结果后，再组织成自然语言回答。
关键认识
函数始终由你的代码执行，模型只负责“决定调不调、调哪个、传什么参数”。
一次完整交互的时序：
text
用户 你的代码 模型 函数
│ 提问 ──▶ │ │ │
│ │ messages + tools ───────▶ │ │
│ │ ◀─────── tool_calls ───── │（决定调用） │
│ │ 执行函数 ───────────────────────────────────▶ │
│ │ ◀──────────────────────────────────── 结果 ── │
│ │ role=tool 回传结果 ─────▶ │ │
│ │ ◀────── 最终回答 ──────── │（或再次 tool_calls）│
│ ◀── 回答 ─ │ │ │代码中的内层 while 循环就是为了允许模型连续多次调用工具，直到它不再请求调用、给出最终回答为止。
二、06_function_call.py 完整代码
以下代码与仓库中的文件一致：
python
import os, json
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
client = OpenAI(api_key=os.getenv("LLM_API_KEY"), base_url=os.getenv("LLM_BASE_URL"))
MODEL = os.getenv("LLM_MODEL")
# 1. 真正干活的函数（这里用假数据模拟订单系统）
ORDERS = {"1001": "已发货，顺丰 SF123456，预计明天到", "1002": "待付款"}
def query_order(order_id):
return ORDERS.get(order_id, "查无此订单")
def create_ticket(order_id, problem):
return f"工单已创建，编号 T{order_id}01，问题：{problem}，客服 24 小时内联系您"
# 2. 函数说明书：模型只看得到这个，所以描述要写清楚
tools = [
{"type": "function", "function": {
"name": "query_order",
"description": "根据订单号查询订单状态和物流",
"parameters": {"type": "object",
"properties": {"order_id": {"type": "string", "description": "订单号"}},
"required": ["order_id"]}}},
{"type": "function", "function": {
"name": "create_ticket",
"description": "用户反映商品质量问题、要求售后时，创建售后工单",
"parameters": {"type": "object",
"properties": {"order_id": {"type": "string"},
"problem": {"type": "string", "description": "问题描述"}},
"required": ["order_id", "problem"]}}},
]
FUNCS = {"query_order": query_order, "create_ticket": create_ticket}
messages = [{"role": "system", "content": "你是电商客服，需要查询或办理时调用工具，不要编造订单信息"}]
while True:
q = input("\n你：")
if q == "exit":
break
messages.append({"role": "user", "content": q})
# 3. 循环：模型可能连续调用好几次工具，直到给出最终回答
while True:
resp = client.chat.completions.create(model=MODEL, messages=messages, tools=tools)
msg = resp.choices[0].message
messages.append(msg) # 模型的回复（包括它的调用请求）也要加进聊天记录
if not msg.tool_calls: # 没有要调用的工具，说明这就是最终回答
print("客服：", msg.content)
break
for call in msg.tool_calls: # 逐个执行模型要求调用的函数
args = json.loads(call.function.arguments)
print(f" [调用 {call.function.name}，参数 {args}]")
result = FUNCS[call.function.name](**args)
# 把执行结果交回给模型，tool_call_id 用来对应是哪一次调用
messages.append({"role": "tool", "tool_call_id": call.id, "content": result})代码补充说明
ORDERS字典：用假数据模拟订单系统，真实项目里换成数据库或接口查询即可。tools列表：每个工具的parameters就是 JSON Schema——properties列出参数及类型，required列出必填参数。模型只能看到这份说明书，看不到函数实现。FUNCS字典：把模型返回的函数名（字符串）映射到真正的 Python 函数。json.loads(call.function.arguments)：模型给出的参数是 JSON 字符串，要先解析成字典，再用**args展开传给函数。messages.append(msg)：模型带tool_calls的那条回复也必须放进聊天记录，否则后面的role="tool"消息找不到对应的调用。tool_call_id：一次可能有多个调用，靠这个 id 让模型知道每个结果对应哪一次调用。
三、实测结果（真实运行数据）
你：我的订单 1001 到哪了
text
[调用 query_order，参数 {'order_id': '1001'}]
客服：您的订单已发货，顺丰 SF123456，预计明天送达。你：你好 —— 不调用任何工具，直接问候。
你：1001 的键盘按键失灵了，我要售后
text
[调用 create_ticket，参数 {'order_id': '1001', 'problem': '键盘按键失灵，用户要求售后'}]
客服：已为您创建售后工单 T100101，客服会在 24 小时内联系您。你：查一下 1002，顺便说说 1003 —— 模型并行调用两次 query_order：
text
[调用 query_order，参数 {'order_id': '1002'}]
[调用 query_order，参数 {'order_id': '1003'}]
客服：1002 订单待付款；1003 查无此订单，请您核对订单号。四、要点
- 模型自主决定：是否调用、调用哪个、从用户的话里提炼参数（如把“键盘按键失灵了，我要售后”整理成
problem）。 - 并行调用：一句话涉及多件事时，模型可以一次返回多个
tool_calls。 - 查无结果不编造：函数返回“查无此订单”，模型如实转告并请用户核对——系统提示里的“不要编造订单信息”起了作用。
- description 写清楚很关键：模型完全依赖说明书来判断何时用哪个工具。
create_ticket写明“用户反映商品质量问题、要求售后时”，模型才知道什么场景该建工单。
下一节预告
把第五阶段的知识库也接成一个工具，做一个 RAG + Agent 组合的客服：既能查订单、建工单，也能回答公司政策问题。
👉 下一阶段：RAG + Agent 智能客服