让AI学会行动-FunctionCalling函数调用

任何操作。

比如你问AI："今天广州天气怎么样？"，它只能抱歉地回答："我无法获取实时天气信息。"

Function Calling（函数调用）就是解决这个问题的关键技术——让AI能够"决定"调用哪些外部工具，并基于工具返回的结果给出最终回答。

Function Calling的工作原理

很多人误解Function Calling是AI直接调用了函数。实际上，AI并不执行任何代码，它只是"告诉"你它想调用哪个函数、传什么参数。真正的执行逻辑由你的程序完成。

完整的交互流程如下：

┌──────────┐ ①用户提问 ┌──────────┐ │ │ ──────────────────→ │ │ │ 你的 │ │ 大模型 │ │ 程序 │ ②模型返回： │ │ │ │ "我想调用 │ │ │ │ GetWeatherInfo │ │ │ │ (city=广州)" │ │ │ │ ←────────────────── │ │ │ │ │ │ │ │ ③执行本地函数 │ │ │ │ GetWeatherInfo │ │ │ │ ("广州") │ │ │ │ → 得到天气数据 │ │ │ │ │ │ │ │ ④把函数结果回传 │ │ │ │ ──────────────────→ │ │ │ │ │ │ │ │ ⑤模型基于结果 │ │ │ │ 生成最终回答 │ │ │ │ ←────────────────── │ │ └──────────┘ └──────────┘

关键认知：模型做了决策（调什么函数、传什么参数），你的程序做了执行（实际调用函数），模型再做总结（基于结果生成回答）。

定义AI可调用的函数

在C#中，定义一个AI可调用函数只需要两步：

1. 编写函数并用[Description]描述

[Description("Get weather information for the specified city")] string GetWeatherInfo( [Description("City name, for example: GuangDong")] string city) { // 模拟天气API调用 var weatherData = new { city, temperature = "30°C", condition = "Sunny", humidity = "65%", windSpeed = "10 km/h" }; return JsonSerializer.Serialize(weatherData); }

[Description]特性至关重要——模型正是通过这些描述来理解：

• 这个函数是做什么的？
• 参数应该怎么填？

描述越准确，模型的调用决策越正确。

2. 注册为AI工具

var options = new ChatOptions { Tools = [AIFunctionFactory.Create(GetWeatherInfo)] };

AIFunctionFactory.Create()会反射函数签名和Description特性，自动生成符合OpenAI Tool协议的工具描述JSON。

启用自动函数调用

默认的IChatClient不会自动执行函数调用。我们需要用ChatClientBuilder包装一层：

IChatClient client = new OpenAI.Chat.ChatClient( model, new ApiKeyCredential(apiKey), new OpenAI.OpenAIClientOptions { Endpoint = new Uri(baseUrl) }) .AsIChatClient(); // 关键：用UseFunctionInvocation()启用自动函数执行 using var functionCallingChatClient = new ChatClientBuilder(client) .UseFunctionInvocation() .Build();

UseFunctionInvocation()做了什么？它注册了一个中间件管道：

1. 拦截模型的响应
2. 检测是否包含函数调用请求
3. 如果有，自动执行对应的本地函数
4. 把函数结果回传给模型
5. 返回模型的最终回答

整个过程对开发者完全透明——你只需要像普通对话一样调用GetStreamingResponseAsync。

完整的Function Calling对话

var options = new ChatOptions { Tools = [AIFunctionFactory.Create(GetWeatherInfo)] }; List<ChatMessage> chatMessages = [ new ChatMessage(ChatRole.System, "你是一个有用的AI助手，请用中文回答用户的问题。") ]; while (true) { Console.Write("\n你: "); var userInput = Console.ReadLine(); if (userInput.Equals("exit", StringComparison.OrdinalIgnoreCase)) { Console.WriteLine("再见！"); break; } chatMessages.Add(new ChatMessage(ChatRole.User, userInput)); Console.Write("\nAI: "); StringBuilder sb = new StringBuilder(); await foreach (var update in functionCallingChatClient .GetStreamingResponseAsync(chatMessages, options)) { foreach (var item in update.Contents) { if (item is TextReasoningContent textReasoning) { Console.Write(textReasoning.Text); // 思考过程 } else if (item is TextContent text) { Console.Write(text.Text); // 最终回答 sb.Append(text.Text); } } } }

代码和之前的对话程序几乎一样！唯一的区别是传入了options（包含工具列表）。函数调用的复杂逻辑全部被UseFunctionInvocation()封装了。

透视Function Calling的底层通信

项目中提供了一个基于HarmonyLib的HTTP拦截器，它通过HookHttpClient的构造函数，自动在所有HTTP请求中注入日志记录，无需修改业务代码。使用方式很简单，在代码入口加一行：

HttpClientInterceptor.StartInterception();

开启后你就能在控制台看到Function Calling的完整请求和响应报文（详见06-番外篇）。下面我们来看看Function Calling实际经历了两次API请求：

第一次请求：模型决策

请求体（关键部分）：

{ "model": "glm-5.1", "messages": [ { "role": "system", "content": "你是一个有用的AI助手..." }, { "role": "user", "content": "广州今天天气怎么样？" } ], "tools": [ { "type": "function", "function": { "name": "GetWeatherInfo", "description": "Get weather information for the specified city", "parameters": { "type": "object", "properties": { "city": { "type": "string", "description": "City name, for example: GuangDong" } }, "required": ["city"] } } } ] }

注意tools数组——这就是模型"看到的"可用工具列表。

响应体（关键部分）：

{ "choices": [{ "message": { "role": "assistant", "tool_calls": [{ "id": "call_xxx", "type": "function", "function": { "name": "GetWeatherInfo", "arguments": "{\"city\":\"广州\"}" } }] } }] }

模型没有直接回答，而是返回了一个tool_calls——它决定调用GetWeatherInfo，参数是city=广州。

中间执行：本地函数

SDK自动执行GetWeatherInfo("广州")，得到：

{"city":"广州","temperature":"30°C","condition":"Sunny","humidity":"65%","windSpeed":"10 km/h"}

第二次请求：结果回传

{ "messages": [ { "role": "system", "content": "..." }, { "role": "user", "content": "广州今天天气怎么样？" }, { "role": "assistant", "tool_calls": [...] }, { "role": "tool", "tool_call_id": "call_xxx", "content": "{\"city\":\"广州\",\"temperature\":\"30°C\",...}" } ] }

注意新增的tool角色消息——这就是函数执行结果。模型基于这个结果生成最终回答。

第二次响应：最终回答

模型这次不再请求调用函数，而是直接用自然语言总结：

"广州今天天气晴朗，气温30°C，湿度65%，风速10km/h，适合户外活动。"

多个函数的场景

你可以同时注册多个函数，模型会智能选择：

[Description("获取指定城市的天气信息")] string GetWeatherInfo([Description("城市名称")] string city) { ... } [Description("搜索网页信息")] string SearchWeb([Description("搜索关键词")] string query) { ... } [Description("计算数学表达式")] string Calculate([Description("数学表达式")] string expression) { ... } var options = new ChatOptions { Tools = [ AIFunctionFactory.Create(GetWeatherInfo), AIFunctionFactory.Create(SearchWeb), AIFunctionFactory.Create(Calculate) ] };

模型会根据用户的问题自动选择合适的函数——甚至可能在一个回答中调用多个函数。

最佳实践

Description的编写原则

// ❌ 太简略，模型可能误解 [Description("Get weather")] string GetWeather(string city) { ... } // ✅ 清晰描述功能和参数 [Description("获取指定城市的实时天气信息，包括温度、湿度、天气状况等")] string GetWeatherInfo( [Description("城市名称，如：北京、上海、广州，支持中文城市名")] string city) { ... }

函数设计的注意事项

从Function Calling到Agent

Function Calling是构建AI Agent的基石。Agent = LLM + Memory + Tools。我们目前已经拥有了：

• ✅ LLM对话（第一篇）
• ✅ 记忆系统（第二、三篇）
• ✅ 工具调用（本篇）