Function Calling与智能Agent开发

更新时间: 2026-03-30 08:51:12

# 课前问题解答

Qwen3-Coder-480B-A35B-Instruct模型介绍

参数特点：总参数480B，激活参数35B，采用MOE架构，激活参数不到总参数的十分之一
专业领域：主要擅长代码生成任务，在代理编码、代理测试等任务上表现优异，支持256K长上下文
对比优势：在开放模型中性能可与Claude Sonnet媲美，支持特别设计的函数调用格式
局限性：处理常识问答、作文等非代码任务能力相对较弱

Qwen3-235B-A22B-Instruct模型介绍

参数特点：总参数235B，激活参数22B，是相对通用的全能模型
能力提升：增强了256K长上下文理解能力，在指令执行、逻辑推理等方面有显著改进
版本差异：相比Qwen3-Coder，参数更少但更通用，适合非专业代码场景

激活参数的含义与MOE架构

激活参数解释：类比医院问诊，480B总参数相当于全院医生，35B激活参数相当于实际参与会诊的专家
动态路由：不同问题会激活不同参数子集，通过路由机制动态选择
MOE特点：采用稀疏激活模式，相比稠密模型(Dense)更高效
部署要求：虽然推理时只需部分参数，但部署需要完整480B参数存储

向量数据库与数据表向量化

向量化策略：
少量表(1-2张)：直接放入prompt
大量表(如10万张)：需要向量化存储和检索
典型应用：
存储QA对(问题和答案向量)
数据表结构(DDL)通常作为prompt输入
性能考量：表结构向量化可能带来计算开销，需根据实际需求权衡

知识库管理与大模型运行

知识库组织：
按产品系列划分知识库
独立产品使用独立知识库
PDF处理：推荐使用MindView转换为Markdown格式
企业应用：产品手册问答系统可采用多知识库路由机制

# Function Calling

Function Calling在大模型中的作用是什么？

扩展模型能力 大模型本身无法直接操作外部系统（如数据库、计算工具），但通过调用预设函数，可以完成：
实时数据获取（天气、股价、新闻）
复杂计算（数学运算、代码执行）
操作外部系统（发送邮件、控制智能设备）
结构化输出 模型可将用户自然语言请求转化为结构化参数，传递给函数。例如：
用户说“明天北京天气如何？”→模型调用get_weather(location="北京", date="2025-05-06")
动态决策流程 模型可根据上下文决定是否/何时调用函数，甚至链式调用多个函数（如先查天气，再推荐穿搭）。

# Function Calling与MCP的区别？

维度	Function Calling	MCP
定位	模型厂商私有接口（如OpenAI, Qwen）	开放协议（类似HTTP/USB-C）
扩展性	需为每个模型单独适配	一次开发，多模型兼容
复杂性	适合简单、单次调用任务	支持多轮对话、复杂上下文管理
生态依赖	依赖特定模型（如GPT-4）	跨模型、跨平台（如Claude、Cursor）
安全性	依赖云端API密钥	支持本地化数据控制

# 已经有了MCP还需要Function Calling么？

简单、原子化任务使用Function Calling会更方便

查询天气get_weather(city="北京")
计算数学公式calculate(expression="3+5")
发送单条通知send_email(to="user@example.com")

优势：

开发快捷：无需配置MCP Server，直接通过模型API调用预定义函数。
低延迟：单次请求-响应，无需协议层开销。

MCP可能成为主流，但Function Calling作为底层能力仍将存在

# CASE：天气调用（Function Calling）

import requests
from http import HTTPStatus
import dashscope

# 设置dashscope API key
dashscope.api_key = "sk-cd87191136be484d92f1ac53551440f1"

# 高德天气API的天气工具定义
# 这段代码定义了一个"工具说明书"
# 告诉 AI："如果你需要查天气，可以用这个工具"
# 工具的名字叫 get_current_weather
# 需要一个参数 location（必填），还有一个可选参数 adcode
weather_tool = {
    "type":"function",
    "function":{
        "name": "get_current_weather",
        "description": "Get the current weather in a given location",
        "parameters":{
            "type": "Object",
            "properties": {
                "location": {
                    "type": "string",
                    "description": "The city name,e.g. 北京",
                },
                "adcode": {
                    "type": "string",
                    "description": "The city code, e.g. 110000 (北京)",
                }
            },
            "required": ["location"]
        }
    }
}

def get_weather_from_gaode(location:str, adcode:str = None):
    # 调用高德地图API查询天气
    gaode_api_key = "681b65a915ffbcb806f8ec482b2fa638"
    base_urk = "https://restapi.amap.com/v3/weather/weatherInfo"

    params = {
        "key": gaode_api_key,
        "city": adcode if adcode else location,
        "extensions": "base"  # base:返回实况天气, all:返回预报天气
    }

    response = requests.get(base_urk, params=params)
    print(response.json())
    if response.status_code == 200:
        return response.json()
    else:
        return {"error": f"Failed to get weather: {response.status_code}"}

def run_weather_query():
    # 使用Qwen3 + 查询天气
    messages = [
        {"role": "system", "content": "你是一个智能助手，可以查询天气信息"},
        {"role": "user", "content": "长沙现在天气怎么样？"}
    ]

    response = dashscope.Generation.call(
        model="qwen-turbo",
        messages=messages,
        tools=[weather_tool],
        tool_choice="auto"
    )
    print(response)
    if response.status_code == HTTPStatus.OK:
        # 检查是否需要调用工具
        if "tool_calls" in response.output.choices[0].message:
            tool_call = response.output.choices[0].message.tool_calls[0]
            if tool_call["function"]["name"] == "get_current_weather":
                # 解析参数并调用高德API
                import json
                args = json.loads(tool_call["function"]["arguments"])
                location = args.get("location", "北京")
                adcode = args.get("adcode", None)

                weather_data = get_weather_from_gaode(location, adcode)
                print(f"查询结果：{weather_data}")
        else:
            print(response.output.choices[0].message.content)
    else:
        print(f"请求失败：{response.code}-{response.message}")

if __name__ == "__main__":
    run_weather_query()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86

运行结果：

完整流程图：

用户："长沙今天天气怎么样？"
         ↓
    你的代码
         ↓
调用 Qwen 模型，传入工具定义
         ↓
Qwen 分析："我需要调用 get_current_weather 工具"
         ↓
Qwen 返回：{"function": {"name": "get_current_weather", "arguments": "{\"location\": \"长沙\"}"}}
         ↓
你的代码解析参数，调用 get_weather_from_gaode("长沙")
         ↓
高德 API 返回天气数据：{"temperature": "16", "weather": "雾"}
         ↓
你的代码把这个结果再传回 Qwen（代码中还没实现这一步）
         ↓
Qwen 组织语言："长沙今天雾，16度"
         ↓
把答案返回给用户

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

完整的第二轮调用应该为：

# 把AI回复的调用工具调用message加到对话历史
 messages.append(response.output.choices[0].message)  

# 把天气结果追加到对话历史
messages.append({
    "role": "tool",
    "name": "get_current_weather",
    "content": str(weather_data)  # 把天气数据转为字符串
})

# 再次调用 Qwen，让它生成最终答案
final_response = dashscope.Generation.call(
    model="qwen-turbo",
    messages=messages
)

print(final_response.output.choices[0].message.content)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

← 例子tesla_agent完全解析 Qwen Agent实战教程-上 →