Agent 智能体

一个基于大模型的 AI Agent 系统可以拆分为大模型（LLM）、规划（planning skills）、记忆（memeory）与工具使用（tool use）四个组件部分。

这里主要讲解一下怎么利用LLM进行tool use即function calling函数调用。 PS:如果已经可以调用大模型，直接跳转Stpe 2

Function Calling

Step1：调用大模型

首先我们需要知道怎么调用一个大模型，这里我们用到了火山引擎中DeepSeek R1大模型。

1、进入火山方舟https://www.volcengine.com/product/ark 选择DeepSeek-R1模型，选择其他也可以。

2、选择API调用指南

3、按照提示导入相关代码

获取API Key以及开通相应的大模型。

我们继续根据提示，快速接入测试。

下载相关库。

pip install --upgrade "openai>=1.0"

至此，我们就通过Open AI 的SDK的方式接入了大模型API。如何使用Open AI 的SDK方式

Step2：Function Calling的DEMO

Open AI的Function Calling 参考文档：https://platform.openai.com/docs/guides/function-calling?api-mode=responses&example=get-weather

火山引擎Function Calling参考文档：https://www.volcengine.com/docs/82379/1262342#多轮精调

b站Function Calling参考视频：【MCP 与 Function Calling 到底什么关系，以及为什么我认为大部分人的观点都是错误的】 https://www.bilibili.com/video/BV15YJTzkENC/?share_source=copy_web&vd_source=fd2c09c047a87bd10e3ac840b20d98fa

具体来说Function Calling是干什么的？

用户可以用自然语言向模型描述一组 Function 的功能和定义； 在对话过程中，当大模型觉得需要使用某函数时会智能地选择该 Function，并返回调用所需参数，来满足用户的特定需求; 其他情况，大模型不会返回 Function，而是继续对话。大模型不会直接调用 Function，而是返回其对应的入参，您可自行调用该函数/API接口。

代码如下：

import os
from openai import OpenAI
import json

# 请替换为你申请的api key！！
client = OpenAI(
    #从配置文件中读取api key
    api_key = os.environ.get("ARK_API_KEY"),
    #显式的用字符串直接读取
    #api_key = "xxxxxxxxxxxxxxxx"
    base_url = "https://ark.cn-beijing.volces.com/api/v3",
)

# LLM大模型 可用的工具（函数）
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_current_weather",
            "description": "获得当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "当前城市和地区,例如 北京市,朝阳区"
                    },
                    "format": {
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"],
                        "description": "温度单位,摄氏度或华氏度，根据用户地区判断"
                    }
                },
                "required": ["location", "format"]
            }
        }
    }
]

messages = []
# 具体实现工具（函数）
def get_current_weather(location, format):
    return f"当前{location}的天气是晴天，温度是25度，单位是{format}。"

if __name__ == "__main__":
    print("----- standard request -----")
    #  创建消息列表
    messages .append({"role":"system","content":"不要将错误的内容插入到函数中，缺少参数提示用户输入"})
    messages .append({"role":"user","content":"我在邢台市，信都区，你能告诉我当前的天气吗？"})
    #  调用LLM
    response = client.chat.completions.create(
        model="deepseek-r1-250120",
        messages=messages,
        tools=tools,
        function_call={"name": "get_current_weather"},
    )
    print("Response:", response)


    # 根据LLM的响应判断是否需要调用工具（函数）
    if response.choices[0].finish_reason == "tool_calls":
        function_response = response.choices[0].message
        # 将函数调用的响应加入消息历史
        messages.append(function_response.model_dump()) 
        # 所需要调用的工具名function name
        function_name = function_response.tool_calls[0].function.name
        # 所需要调用的工具的参数 arguments
        print(f"Function Name: {function_name}")
        print(f"Function Arguments: {function_args}")
        # 调用LLM指定的工具（函数）
        if function_name == "get_current_weather":
            json_args = json.loads(function_args)
            print(f"Function Arguments: {json_args}")
            weather_info = get_current_weather(json_args["location"], json_args["format"])  
            print("今天的天气："+weather_info)
            # 将函数结果加入消息历史，并重新请求模型生成回复
            tool_call = response.choices[0].message.tool_calls[0]
            messages.append({
                "role": "tool",
                "content": weather_info,  # 直接使用自然语言字符串
                "tool_call_id": tool_call.id  # 确保 tool_call_id 是字符串
            })
            print(json.dumps(messages, indent=2, ensure_ascii=False))  # 检查是否可序列化
            second_response = client.chat.completions.create(
                model="deepseek-r1-250120",
                messages=messages
            )
            print("\n----- 最终回复 -----")
            print(second_response.choices[0].message.content)

    else:
        # 处理非工具（函数）调用的响应
        print("Response:")