我不允许谁还不清楚function call在AI-Agent领域中打手的地位

前文提要：还有比ollama更傻瓜式的大模型本地部署方式吗 ？
1.function calling 底层工作原理

大模型重塑了我们与软件应用的交互方式， 其中最重要的特性就是 function calling 。
一种利用结构化输入/输出在LLM和编程应用之间建立桥梁的方式。
不管是当前火热的AI-agent还是MCP，了解function calling底层工作原理都至关重要，特别是request和response payload。
回顾上文我们与qwen大模型的对话：
what is the temperature in the capital of china today？

一个由LLM驱动的应用， 回答这个问题，应用与LLM经历了三次对话。
① 第一次请求payload：

• message：标准的历史对话， 提供上下文context
  
• tools：一系列的工具函数定义， 提供给LLM来选择
  

LLM的响应payload：

• tool_calls.function.name： LLM选中的工具函数get_currentDate
  
• tool_calls.id： 由LLM为这个函数指定的id，后面会用到
  

② 第二次request：

• messages.role.assistant: 告诉LLM我们这次请求包含了上次function calling的结果
  
• messages.role.tool： 上次function calling执行的结果2026-01-24
  

LLM的响应payload：
如第一次类似：
本例也有tool_calls:包含LLM选中的函数get_temperature() 和所有的参数beijing 2026-01-24。
③ 应用最后一次请求，包含所有信息
LLM推理认为不再需要外部工具，不再返回tool_calls,给出结合外部工具的对话结果。
从三次请求对话来看， LLM在三次对话的响应中体现了它的思考和逻辑步骤，应用持续被LLM引导做出行动，同时LLM也持续对应用的行为做出进一步观察和思考。
2. agent的实现原理

大模型是 AI 的大脑，其核心是理解自然语言，并做出回应，(文本)大模型本身只能接收一段文本，然后输出一段文本。
而当你希望大模型能使用一些工具自行获取所需的信息、执行一些动作，就需要使用 Tool 来实现了，拥有了 Tool 的大模型就像是拥有了手脚，可以和当下已有的 IT 基础设施进行交互。

RAG给LLM装上实时知识外挂， 通过将信息检索与文本生成结合，让模型能引用外部权威信息生成回答，既保证了时效性，又提升了准确性。

字节开源的Eino标榜的优势在于：

• LangChain，LlamaIndex等主流框架虽然起源自python强大的AI生态，但是也继承了python“弱类型检查”和“长期维护成本高”的诟病。 Eino作为golang下的开源agent开发框架，规避了这一问题。
  
• 另一方面， 借助字节系在agent领域的工程化实践，Eino既封装了领域内不变的通用核心和最佳实践，也能敏捷的反映业内技术动向。
  

Eino框架结构图：

Eino 有三大稳定内核： compose编排、components组件，common公共库。
组件一抹多,是原子能力的最小单位， 编排对这些组件进行组合、串连。
3.  中国首都今天的天气怎么样? 我母鸡啊

我们使用Eino框架来实现本文的题目：
what is  the temperature in the capital of china today。
按照我们的分析，
从LLM的视角，要回答这个问题，经历了“思考-行动-观察-思考” 循环， 这是一个ReAct模式的agent。
下面基于阿里百炼千问大模型，实现了天气对话，请自行从阿里百炼平台申请的apiKey替换到54行。

1. package main
3. import (
4.         "context"
5.         "fmt"
6.         "log"
7.         "os"
8.         "time"
10.         "github.com/cloudwego/eino-ext/components/model/qwen"
11.         "github.com/cloudwego/eino/components/tool"
12.         "github.com/cloudwego/eino/components/tool/utils"
13.         "github.com/cloudwego/eino/compose"
14.         "github.com/cloudwego/eino/schema"
15. )
17. // what is  the temperature in the capital of china today
19. type weatherReqParam struct {
20.         City string `json:"city"  jsonschema:"description=the name of the city"`
21.         Date string `json:"date"  jsonschema:"description=the date in the format of YYYY-MM-DD"`
22. }
24. func GetTemperatureFunc(_ context.Context, p weatherReqParam) (float64, error) {
25.         // 这里直接mock一个温度值，实际应用中应该替换为真实的API调用
26.         return 32, nil
27. }
29. func GetCurrentDateFunc(_ context.Context, _ struct{}) (string, error) {
30.         return time.Now().Format("2006-01-02"), nil
31. }
33. func of[T any](t T) *T {
34.         return &t
35. }
37. func main() {
38.         getDateTool, err := utils.InferTool("get_currentDate", "Get the current date", GetCurrentDateFunc)
39.         if err != nil {
40.                 panic(err)
41.         }
42.         getTemperatureTool, err := utils.InferTool("get_temperature", "Get the temperature in the capital of the city", GetTemperatureFunc)
43.         if err != nil {
44.                 panic(err)
45.         }
47.         // 初始化 tools
48.         weatherTools := []tool.BaseTool{
49.                 getDateTool,
50.                 getTemperatureTool,
51.         }
53.         apiKey := os.Getenv("DASHSCOPE_API_KEY")
54.         apiKey = "{}"  // 在阿里百炼平台申请签名
55.         modelName := os.Getenv("MODEL_NAME")
56.         modelName = "qwen3-max"
57.         chatModel, err := qwen.NewChatModel(context.Background(), &qwen.ChatModelConfig{
58.                 BaseURL:     "https://dashscope.aliyuncs.com/compatible-mode/v1",
59.                 APIKey:      apiKey,
60.                 Timeout:     0,
61.                 Model:       modelName,
62.                 MaxTokens:   of(2048),
63.                 Temperature: of(float32(0.7)),
64.                 TopP:        of(float32(0.7)),
65.         })
66.         if err != nil {
67.                 log.Fatalf("NewChatModel of qwen failed, err=%v", err)
68.         }
70.         var ctx = context.Background()
71.         // 获取工具信息并绑定到 ChatModel
72.         toolInfos := make([]*schema.ToolInfo, 0, len(weatherTools))
73.         for _, tool := range weatherTools {
74.                 info, err := tool.Info(ctx)
75.                 if err != nil {
76.                         log.Fatal(err)
77.                 }
78.                 toolInfos = append(toolInfos, info)
79.         }
80.         err = chatModel.BindTools(toolInfos)
81.         if err != nil {
82.                 log.Fatal(err)
83.         }
85.         // 创建 tools 节点
86.         weatherToolsNode, err := compose.NewToolNode(context.Background(), &compose.ToolsNodeConfig{
87.                 Tools: weatherTools,
88.         })
89.         if err != nil {
90.                 log.Fatal(err)
91.         }
93.         // 构建基于 Graph 的 Agent，实现 ReAct 模式（自动执行工具并生成自然语言回复）
95.         // 定义状态，用于保存对话历史
96.         type appState struct {
97.                 messages []*schema.Message
98.         }
100.         graph := compose.NewGraph[[]*schema.Message, *schema.Message](
101.                 compose.WithGenLocalState(func(ctx context.Context) *appState {
102.                         return &appState{}
103.                 }),
104.         )
106.         // 添加 ChatModel 节点
107.         err = graph.AddChatModelNode("qwen_chat_model", chatModel,
108.                 compose.WithStatePreHandler(func(ctx context.Context, input []*schema.Message, state *appState) ([]*schema.Message, error) {
109.                         // 如果是第一次进入（从 Start），将输入（用户问题）添加到历史
110.                         if len(state.messages) == 0 {
111.                                 state.messages = append(state.messages, input...)
112.                         }
113.                         // 始终将完整的历史记录作为 ChatModel 的输入
114.                         return state.messages, nil
115.                 }),
116.                 compose.WithStatePostHandler(func(ctx context.Context, output *schema.Message, state *appState) (*schema.Message, error) {
117.                         // 将 ChatModel 的输出（可能是工具调用或最终回复）添加到历史
118.                         state.messages = append(state.messages, output)
119.                         return output, nil
120.                 }),
121.         )
122.         if err != nil {
123.                 log.Fatal(err)
124.         }
126.         // 添加 Tools 节点
127.         err = graph.AddToolsNode("agent_tools", weatherToolsNode,
128.                 compose.WithStatePostHandler(func(ctx context.Context, output []*schema.Message, state *appState) ([]*schema.Message, error) {
129.                         // 将工具执行结果添加到历史
130.                         state.messages = append(state.messages, output...)
131.                         return output, nil
132.                 }),
133.         )
134.         if err != nil {
135.                 log.Fatal(err)
136.         }
138.         // 添加边和分支
139.         _ = graph.AddEdge(compose.START, "qwen_chat_model")
141.         // 如果有工具调用，流转到 tools；否则结束
142.         _ = graph.AddBranch("qwen_chat_model", compose.NewGraphBranch(func(ctx context.Context, msg *schema.Message) (string, error) {
143.                 if len(msg.ToolCalls) > 0 {
144.                         return "agent_tools", nil
145.                 }
146.                 return compose.END, nil
147.         }, map[string]bool{"agent_tools": true, compose.END: true}))
149.         // 工具执行完后，回流到 chat_model 生成回复
150.         _ = graph.AddEdge("agent_tools", "qwen_chat_model")
152.         // 编译运行
153.         agent, err := graph.Compile(ctx)
154.         if err != nil {
155.                 log.Fatal(err)
156.         }
158.         // 运行示例
159.         resp, err := agent.Invoke(ctx, []*schema.Message{
160.                 {
161.                         Role:    schema.User,
162.                         Content: "what is the temperature in the capital of china today? please answer in a humam like way.",
163.                 },
164.         })
165.         if err != nil {
166.                 log.Fatal(err)
167.         }
169.         // 输出结果
170.         fmt.Println(resp.Content)
171. }

复制代码

一开始我参照的官网的chain编排Eino组件，但是得到的结果是数字“32”， 并不是LLM对话的类人语言。
使用Trae的编码agent，20s就帮我改成了Graph形式的正确编码， 输出：

1. The temperature in Beijing, the capital of China, today (January 28, 2026) is a warm 32°C! That’s quite hot for this time of year—make sure to stay hydrated and cool if you’re out and about!

复制代码

本例实际也可以使用Chain来完成，chain是一种特殊的、简化的graph，chain不能回头，本例需要手动串起来，Chain更适合确定性的编排。

Graph就像一个自动化的流水线（loop），工人是 chat_model 和 tools ：
本例的Graph图如下，读者可以结合源代码理解。

• START -> chat_model
  
  
  
  • ChatModel 拿到用户问题，思考后说：“我需要查日期。”（输出包含 ToolCall）
    
  
  
• chat_model -> tools (由 Branch 判断)
  
  
  
  • Tools 听到指令，去查日期，得到 "2026-01-24"。
    
  
  
• tools -> chat_model (由 AddEdge 强制流转)
  
  
  
  • ChatModel 再次被唤醒。这次它的输入包含了之前的历史（用户问题 + 刚才的 ToolCall + 刚才的结果）。
    
  • 它再次思考：“我知道日期了，现在我要查北京的温度。”（输出包含 ToolCall）
    
  
  
• chat_model -> tools (再次循环)
  
  
  
  • Tools 去查温度，得到 "32度"。
    
  
  
• tools -> chat_model (再次循环)
  
  
  
  • ChatModel 再次被唤醒。现在的输入更丰富了（所有历史）。
    
  • 它再次思考：“日期有了，温度也有了，我可以直接回答用户了。”（输出 不包含 ToolCall）
    
  
  
• chat_model -> END (由 Branch 判断)
  
  
  
  • 循环结束。
    
  
  

最后我们重温全文，function calling（function tools）在agent中的作用：
在由LLM驱动的agent应用中，function calling（function tools）作为LLM的手脚，让LLM具备使用工具从外部获取最新信息并指导应用行为的能力，这一过程由结构化的输入输出参数来传递。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

懂技术并乐意极积无私分享的人越来越少。珍惜