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：

1. get_weather(city: str)：返回城市天气
2. 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 ChatOpenAI

llm = 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 json

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？")
]
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

    messages.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)
        continue

    final_response = llm_with_tools.invoke(messages)
    messages.append(final_response)
    print("AI:", final_response.content)

🤖 工作流程解析：

1. 用户输入问题，如“北京天气如何？”
2. 模型识别需要调用 get_weather(city=北京)
3. 返回 tool_calls，代码中通过 invoke() 实际执行函数
4. 工具返回结果后，构造成 ToolMessage 添加进对话上下文
5. 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 json

from 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)