构建Agent的重要的一步是Function calling(函数调用)，本文不使用任何langchain等框架或者coze等平台，从0开始构建一个可以调用function的Agent。
Function calling其实就是提供了一种方式，允许LLM与外部系统进行交互，还有如何进行交互。
1、买火车票
我让Kimi帮买张火车票，它会直接拒绝，甚至换ChatGPT、文心、通义等其他大模型，得到的回答只有："我无法直接为您购买火车票"。
不过，LLM是知道买票，但它不能直接操作，它的本质是语言模型，所以需要和外部系统进行交互，那么就需要函数调用(function call)。
2、Agent构建思路
首先理清思路，确定好Agent的目标、需要的function，其次理解用户问题、选择工具，最后将返回的结果，整理好给用户。
2.1 场景示例-天气Agent
创建一个获取最新天气的Agent，以及如何使用function call。
Agent的目标：可以回答关于天气的问题。
function：调用某地方的天气情况，并且反馈
-
流程：
- a.思考： 用户输入问题，LLM先对问题进行分析
- b.行动： 如果问到了天气问题，则分析出需要调用的function以及function要传入的参数
- c.响应：function返回后，将答案整理好回复给用户。
-
函数自定：
-
a.定义一个获取天气的函数（属于Tools中的一个，这里用于演示，不做真实调用）：
def get_weather(location): return "天气晴朗" -
b.再定义一个大模型的发送信息的方法：
def send_messages(messages): client = OpenAI( api_key="<你的llm的key>", base_url="https://api.llm.com") response = client.chat.completions.create( model="llm-chat", messages=messages) return response.choices[0].message
-
2.2 实操Agent-天气Agent
从“用户提出问题”到“思考”到“响应”调用了多次LLM模型，所以要求模型按照顺序去调用LLM：
一定需要理清思路！一定需要理清思路！
换句话说写好system prompt！换句话说写好system prompt！
以下是思考过程
你在运行一个“思考”，“工具调用”，“响应”循环。每次只运行一个阶段
1.“思考”阶段：你要仔细思考用户的问题
2.“工具调用阶段”：选择可以调用的工具，并且输出对应工具需要的参数
3.“响应”阶段：根据工具调用返回的影响，回复用户问题。
已有的工具如下：
get_weather：
e.g. get_weather:天津
返回天津的天气情况
Example：
question：天津的天气怎么样？
thought：我应该调用工具查询天津的天气情况
Action：
{
"function_name":"get_response_time"
"function_params":{
"location":"天津"
}
}
调用Action的结果：“天气晴朗”
Answer:天津的天气晴朗
提示工程
上边的逻辑正好可以当作system的提示工程：
system="""
你在运行一个“思考”，“工具调用”，“响应”循环。每次只运行一个阶段
1.“思考”阶段：你要仔细思考用户的问题
2.“工具调用阶段”：选择可以调用的工具，并且输出对应工具需要的参数
3.“响应”阶段：根据工具调用返回的影响，回复用户问题。
已有的工具如下：
get_weather：
e.g. get_weather:天津
返回天津的天气情况
Example：
question：天津的天气怎么样？
thought：我应该调用工具查询天津的天气情况
Action：
{
"function_name":"get_response_time"
"function_params":{
"location":"天津"
}
}
调用Action的结果：“天气晴朗”
Answer:天津的天气晴朗
"""
用户Query
第一步，向模型提问一个问题
question="北京天气怎么样"
messages = [{"role": "system", "content": system_prompt},
{"role": "user", "content": question}]
message = send_messages(messages)
print(f"Model-1th>\n {message.content}")
返回值：
Model-1th>
thought：我应该调用工具查询北京的天气情况
Action：
{
"function_name":"get_weather",
"function_params":{
"location":"北京"
}
}
可以看出模型已经进行了思考，并且返回了可以调用的工具了
函数调用
第二步，如果从“第一步”的返回值中可以提取调用工具的json
"function_name":"get_weather",
"function_params": "location":"北京"
第三步，调用真实工具,获取真实结果
invoke_function(**function_name,**function_params)
返回结果
第四步，将工具调用的结果追加到message中，一起给到模型，让它总结回答：
messages.append({"role": "assistant",
"content": f"调用Action的结果:{tianqi}"})
message = send_messages(messages)
print(f"result>\n {message.content}")
返回值：
result>
北京今天的天气晴朗。
3、tools功能的演进
上篇文章提过，笔者认为function calling和tool using功能相同，只是描述不同，看每个人的语言习惯。
随着LLM调用工具的普及，这种调用方法集成在大模型api接口中就变得越重要。
大部分模型厂商已经支持了function call，下面是deepseek工具调用的一个例子：
response = client.chat.completions.create(
model="deepseek-chat",
messages=messages,
tools=tools
)
其中 tools是可以供模型选择的工具。
写在最后
从0开发写function的逻辑，需要让模型思考、观察、行动。其实这个流程的循环其实就是ReAct框架的原理。
