大语言模型调用方式与函数调用

大语言模型（LLM）的调用方式与函数调用（尤其是 LLM 场景下的 “函数调用能力”）是两个相关但不同的概念。前者指 “如何与大语言模型交互以获取其能力”，后者指 “大语言模型如何调用外部工具（如 API、函数）来增强自身能力”。以下分别详细解释，并说明两者的关联。

一、大语言模型的调用方式

大语言模型的调用方式，核心是 “用户 / 系统如何触发模型的计算逻辑，获取模型输出”，本质是 “人与模型（或系统与模型）的交互方式”。常见的调用方式可分为基础调用和场景化调用两类，具体如下：

1. 基础调用方式（核心交互逻辑）

指直接基于模型本身的接口或部署方式进行调用，核心是传递 “输入文本” 并获取 “模型生成的文本”。

• API 调用（最常用）
  模型由第三方平台（如 OpenAI、Anthropic、阿里云等）部署，通过公开 API 接口提供服务。用户无需关心模型的底层训练、部署细节，只需按 API 规范传递参数即可调用。

  • 特点：门槛低（无需本地部署资源）、依赖网络、受平台接口限制（如调用次数、参数范围）。
  • 示例：调用 OpenAI 的gpt-4o接口时，通过 HTTP 请求传递prompt（输入文本）、temperature（生成随机性）等参数，模型返回生成的文本。

• 本地部署调用
  将模型（如 LLaMA、Qwen 等开源模型）下载到本地服务器或终端，通过模型框架（如 Transformers、vLLM）直接调用。

  • 特点：需自行解决硬件资源（如 GPU 显存）、可定制化（修改模型参数、调整推理逻辑）、无网络依赖。
  • 示例：用transformers库加载Qwen-7B模型，通过model.generate()方法输入文本，获取生成结果。

• 嵌入调用（Embedding 调用）
  针对模型的 “文本嵌入” 能力（将文本转为向量）的调用，用于语义检索、相似度计算等场景（非生成式任务）。

  • 特点：输出是向量而非文本，需配合向量数据库使用。
  • 示例：调用 OpenAI 的text-embedding-3-large接口，将 “今天天气如何” 转为向量，用于匹配相关文档。

2. 场景化调用方式（基于基础调用的扩展）

在基础调用的基础上，结合业务场景增加预处理或后处理逻辑，让调用更贴合实际需求。

• 对话式调用
  以 “多轮对话” 形式调用模型：每次调用时不仅传递当前问题，还传递历史对话上下文（如 “用户问 A→模型答 B→用户问 C”，第三次调用需传入 “A-B-C” 的历史），模型根据完整上下文生成连贯回答。

  • 示例：ChatGPT 的聊天界面，本质是持续通过 API 传递对话历史，获取最新回复。

• 指令式调用
  以 “指令（Instruct）” 形式约束模型输出：在输入中明确要求模型的输出格式（如 “用表格总结”“分 3 点回答”），模型根据指令调整生成逻辑。

  • 示例：输入 “请用 JSON 格式输出‘苹果、香蕉的单价’，键为水果名，值为价格”，模型生成符合格式的 JSON 文本。

二、大语言模型的 “函数调用”（核心：模型调用外部工具）

大语言模型的 “函数调用” 是模型的一种能力：指模型根据输入需求，自主判断是否需要调用外部函数（如 API、数据库查询、工具函数等），并将函数返回结果整合到最终回答中。其核心是 “模型突破自身知识局限，借助外部工具完成任务”。

1. 函数调用的核心逻辑

传统函数调用（如编程中的func(a,b)）是 “明确的参数传递 + 固定逻辑执行”；而 LLM 的函数调用是 “模型通过语义理解决定是否调用→生成调用参数→执行函数→用结果生成回答”，流程如下：

1. 用户输入问题：如 “北京今天的 PM2.5 指数是多少？”（模型自身无实时数据，需调用外部工具）。
2. 模型判断需求：分析问题后，确定 “需要调用实时天气 API”。
3. 生成函数调用指令：按预设格式（如 JSON）生成调用参数，例如：

   {"name": "get_weather_data","parameters": {"city": "北京", "indicator": "PM2.5"}
   }

4. 执行函数并获取结果：系统调用get_weather_data接口，返回 “北京今天 PM2.5 指数为 58”。
5. 模型整合结果生成回答：将接口返回的信息整理为自然语言（如 “北京今天的 PM2.5 指数是 58，空气质量良好”）。

2. 函数调用的关键要素

• 函数定义（Schema）：需提前告诉模型 “可调用的函数有哪些、参数格式是什么”。例如：
  “你可以调用get_stock_price(stock_code: str)函数，参数stock_code为股票代码（如‘600036’），返回该股票当前价格。”
• 格式约束：模型生成的调用指令需符合机器可解析的格式（如 JSON），避免歧义（例如用<FunctionCall></FunctionCall>标签包裹）。
• 结果处理：模型需能理解函数返回的结构化数据（如 JSON、表格），并转化为自然语言。

3. 典型应用场景

• 实时信息查询：调用天气、股票、新闻 API（解决模型 “知识截止日期” 问题）。
• 数据计算：调用计算器、Excel 函数（如 “计算 12345×67890”，模型调用计算函数而非自行口算）。
• 工具操作：调用邮件发送函数（“给张三发邮件，内容是‘明天开会’”）、数据库查询函数（“查近 3 天的订单量”）。

三、大语言模型调用方式与函数调用的关联

函数调用是大语言模型调用方式的 “高级扩展”—— 基础调用仅依赖模型自身能力，而函数调用通过 “基础调用 + 外部函数执行” 扩展了模型的能力边界：

• 基础调用（如 API 调用）是函数调用的 “载体”：模型生成的函数调用指令，需通过基础调用（如 API 请求）传递给系统，再由系统执行外部函数。
• 函数调用是基础调用的 “增强手段”：例如，用 API 调用gpt-4o时，若开启函数调用功能，模型的输出可能是 “自然语言回答” 或 “函数调用指令”，而非单纯的文本生成。

总结

• 大语言模型调用方式：解决 “如何让模型工作”（交互形式），核心是 “输入→模型计算→输出文本 / 向量”。
• 大语言模型的函数调用：解决 “模型如何做得更好”（能力扩展），核心是 “模型决策→调用工具→整合结果”。

简单说：调用方式是 “模型的使用通道”，函数调用是 “模型通过通道调用外部工具的能力”—— 前者是基础交互，后者是基于前者的能力升级。

四、案例(伪代码，为说明机制)

import openai
import json
from typing import List, Dict, Any, Optional, Union# 配置OpenAI API密钥
openai.api_key = "your_api_key"# 定义可调用的函数
def get_weather(city: str, date: str) -> Dict[str, Any]:"""获取指定城市、日期的天气信息"""# 实际应用中这里会调用真实的天气APIweather_data = {"city": city,"date": date,"weather": "晴天","temperature": "25°C","wind": "微风"}return weather_datadef search_flight(departure: str, destination: str, date: str) -> List[Dict[str, Any]]:"""搜索指定日期从出发地到目的地的航班"""# 实际应用中这里会调用航班搜索APIflights = [{"flight_number": "CA1234","departure": departure,"destination": destination,"date": date,"departure_time": "08:30","arrival_time": "11:00","price": 850},{"flight_number": "MU2567","departure": departure,"destination": destination,"date": date,"departure_time": "13:15","arrival_time": "15:45","price": 920}]return flights# 函数签名定义，用于告知模型可调用的函数及其参数
FUNCTIONS = [{"name": "get_weather","description": "获取指定城市、日期的天气信息","parameters": {"type": "object","properties": {"city": {"type": "string","description": "城市名称，如'北京'"},"date": {"type": "string","description": "日期，格式'YYYY-MM-DD'"}},"required": ["city", "date"]}},{"name": "search_flight","description": "搜索指定日期从出发地到目的地的航班","parameters": {"type": "object","properties": {"departure": {"type": "string","description": "出发城市，如'上海'"},"destination": {"type": "string","description": "目的城市，如'北京'"},"date": {"type": "string","description": "日期，格式'YYYY-MM-DD'"}},"required": ["departure", "destination", "date"]}}
]def execute_function_call(function_call: Dict[str, Any]) -> Dict[str, Any]:"""执行函数调用并返回结果"""function_name = function_call["name"]parameters = function_call["parameters"]if function_name == "get_weather":return get_weather(**parameters)elif function_name == "search_flight":return search_flight(**parameters)else:return {"error": f"未知函数: {function_name}"}def chat_with_functions(user_message: str) -> str:"""与支持函数调用的大语言模型对话"""# 第一步：发送用户消息和可用函数列表给模型response = openai.ChatCompletion.create(model="gpt-3.5-turbo-1106",messages=[{"role": "user", "content": user_message}],functions=FUNCTIONS,function_call="auto"  # 让模型决定是否调用函数以及调用哪个函数)response_message = response["choices"][0]["message"]# 情况1：模型决定调用函数if response_message.get("function_call"):function_call = response_message["function_call"]# 执行函数调用function_response = execute_function_call(function_call)# 第二步：将函数调用结果再次发送给模型，获取最终回答second_response = openai.ChatCompletion.create(model="gpt-3.5-turbo-1106",messages=[{"role": "user", "content": user_message},response_message,{"role": "function","name": function_call["name"],"content": json.dumps(function_response)}])return second_response["choices"][0]["message"]["content"]# 情况2：模型直接返回回答else:return response_message["content"]# 示例使用
if __name__ == "__main__":# 测试天气查询weather_question = "明天北京的天气如何？"print(f"问题: {weather_question}")print(f"回答: {chat_with_functions(weather_question)}\n")# 测试航班查询flight_question = "2025年7月25日从上海到北京有哪些航班？"print(f"问题: {flight_question}")print(f"回答: {chat_with_functions(flight_question)}")    

这个实现包含了大语言模型函数调用的核心组件：

1. 函数定义：代码中定义了两个示例函数get_weather和search_flight，分别用于获取天气信息和搜索航班。

2. 函数签名：FUNCTIONS列表描述了函数的名称、参数和用途，这些信息会被传递给模型，帮助模型理解可用工具。

3. 调用决策：模型根据用户问题决定是否需要调用函数。如果需要，会返回函数名称和参数。

4. 执行函数：execute_function_call函数负责根据模型的决策执行对应的工具函数。

5. 结果整合：将函数执行结果再次发送给模型，模型会结合结果生成最终回答。

示例场景与代码解释

假设用户提问："2025 年 7 月 25 日从上海到北京的天气如何？"

1. 代码输入参数解释

response = openai.ChatCompletion.create(model="gpt-3.5-turbo-1106",  # 使用支持函数调用的模型版本messages=[{"role": "user", "content": user_message}],  # 用户问题functions=FUNCTIONS,  # 传递前面定义的函数列表（get_weather和search_flight）function_call="auto"  # 让模型自动决定是否调用函数及调用哪个
)

2. 模型返回结果分析

当执行这段代码时，模型可能返回两种类型的结果：

情况 1：模型决定调用函数

如果模型判断需要调用函数获取信息，response_message的结构如下：

{"role": "assistant","function_call": {"name": "get_weather",  # 模型选择调用的函数名"parameters": {         # 模型生成的函数参数"city": "北京","date": "2025-07-25"}}
}

关键点：

• role为assistant，表示这是模型的回复。
• function_call字段包含函数名和参数，这是模型根据用户问题和可用函数列表自主生成的。
• 模型正确识别用户需要北京的天气，并根据FUNCTIONS定义的参数格式生成了合法的日期格式。

情况 2：模型直接回答（无需函数调用）

如果用户问题不需要外部工具（如 "解释量子力学"），模型会直接返回文本：

{"role": "assistant","content": "量子力学是研究微观粒子行为的物理学分支..."
}

此时function_call字段不存在，直接通过response_message["content"]获取答案。

3. 代码后续处理逻辑

在示例代码中，通过以下逻辑区分两种情况并处理：

if response_message.get("function_call"):# 执行函数调用并将结果再次发送给模型function_response = execute_function_call(function_call)second_response = openai.ChatCompletion.create(model="gpt-3.5-turbo-1106",messages=[{"role": "user", "content": user_message},  # 原始问题response_message,  # 模型的函数调用建议{"role": "function",  # 新增函数调用结果"name": function_call["name"],"content": json.dumps(function_response)}])return second_response["choices"][0]["message"]["content"]
else:return response_message["content"]  # 直接返回模型的文本回答

函数调用的完整流程

1. 用户提问："2025 年 7 月 25 日从上海到北京的天气如何？"
2. 模型分析：发现需要天气信息，决定调用get_weather函数。
3. 生成函数调用：返回{"name": "get_weather", "parameters": {"city": "北京", "date": "2025-07-25"}}。
4. 执行函数：代码调用get_weather("北京", "2025-07-25")，获取天气数据。
5. 结果反馈：将天气数据（如{"city": "北京", "date": "2025-07-25", "weather": "晴天", ...}）再次发送给模型。
6. 生成最终回答：模型结合天气数据生成自然语言回复（如 "北京 2025 年 7 月 25 日天气晴朗，温度 25°C..."）。

关键点总结

• 模型的 "决策能力"：GPT-3.5 Turbo 1106 及更高版本能根据问题内容和可用函数列表，自主判断是否需要调用函数、调用哪个函数、传递什么参数。
• 函数参数的生成：模型会根据FUNCTIONS中定义的参数类型和描述，生成合法的参数值（如日期格式转换）。
• 多轮交互：函数调用本质是 "用户→模型→工具→模型→用户" 的多轮交互，通过两次 API 调用完成。