按理说，

零、文章基础说明

1. 这篇文章零框架、零第三方 AI 工具库依赖基于阿里云通义千问 OpenAI 兼容接口。从底层原理、对话流转、原生参数解析、手写代码实现四个维度，完整拆解 Function Calling 主要能力，帮助你彻底弄清楚大模型工具调用的本质。

   

2. 所有内容均为原生实现。不依赖任何封装框架，全程可追溯、可调试、可自定义改造。

3. 大模型使用阿里云百炼的 qwen-plus：

• 用 DeepSeek 或者其他模型都行。最主要的是理解执行原理，而不是死搬框架代码。

一、Function Calling 主要本质

痛点：多数开发者误以为大模型可以直接执行代码。它只负责决定是否需要调用外部工具，接下来把结构化的调用指令交给本地代码执行。

• 在向大模型发送问题时把可能用到的工具信息全部提供给模型。说起来，
• 模型判断是否需要调用工具。并返回结构化的 tool_calls。
• 本地代码。
• 将执行结果回传给模型，模型再整合信息生成最终自然语言答案。

整个流程分为三段主要原因：

1. 第一轮对话：使用者问题 + 工具描述 → 模型判断并返回工具调用指令。
2. 本地执行：解析模型返回的参数 → 调用对应 Python 函数 → 获得业务结果。
3. 第二轮对话：把工具执行结果连同上下文一起回传 → 模型整合后输出最终答案。

二、通义千问 Function Calling 对话全流程

1. 这篇文章基于阿里云通义千问 OpenAI 兼容接口实现（接口地址：https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions)，适配标准 OpenAI 格式的 Function Calling 参数。

2. 以「查询深圳天气」场景为例，完整拆解第一轮请求 → 第一轮响应 → 第二轮请求 → 最终响应 的数据流转过程。

主要请求参数详解

• model: 必选，模型名称。这里使用 qwen-plus
• messages: 必选，对话上下文数组，包括 system、user、assistant、tool 四类消息。
• 工具」「每个工具的作用」「需要哪些参数」。是模型判断是否调用的关键依据。
• tool_choice: 可选，控制工具调用策略；"auto" 表示让模型自行决定是否调用还有调用哪个工具。

至于第一轮对话，使用者提问，模型触发工具调用

Pain point： 很多人误以为第一轮就能得到答案。其实这一步是让模型输出「要调哪个函数」还有「具体入参」，而不是直接回答使用者的问题。 说起来，

第一轮完整请求体

{
"model": "qwen-plus","messages":,"tools":
}
}
}
],"tool_choice": "auto"
}

第一轮响应结果

{
"..."这方面，"..."。"choices":,"role":"assistant"},"...":"...","finish_reason":"tool_calls"
}
]
}

Pain point： 如果忽略了 "finish_reason":"tool_calls",很容易误判为正常回复，从而跳过后续本地函数执行步骤。

至于本地中间处理，解析参数 & 执行工具函数

拿到第一轮响应后本地代码必须完成三件事：

1. 解析 tag_calls.function.arguments 得到函数名和入参。例如 {'city':'深圳'}.
2. 匹配同名 Python 函数并执行，获取真实业务结果。
3. 构造一条 "tool" 类型消息，用于第二轮对话回传。

从第二轮对话来看，回传工具结果。让模型生成最终答案

Pain point： 很多实现只把使用者问题和 tool_calls 回传，而忘记把 tool 的实际返回值也拼进去，这会导致模型 尝试调取工具或直接报错。

第二轮完整请求体

{
"model":"qwen-plus","messages":},{"role":"tool","content":"多云转阴","tool_call_id":"call_734c63b9a3d44470937769"}
],"tools":。"tool_choice":"auto"
}

第二轮最终响应

{
"..."的观点是，"...","choices":
}

恭喜，你已经完整掌握了 Function Calling 的底层交互方式！

三、原生 Python 函数参数解析原理

1. The "tools" 结构体是固定的大模型格式，只要生成符合该结构即可.
2. The core challenge is turning native Python functions into that JSON automatically.
3. This can be done **purely with built‑in alert inspect )** library—no third‑party packages.

说到主要原理，inspect 库能力

The built‑in alert inspect ) library can reverse‑engineer a function and extract three essential pieces:

• Name → "function.name"Description  → "function.description"Signature  → "function.parameters"

  解析规则

  • {func.__name__} → "name"{first line of docstring} → "description"{parameter name & annotation} → "parameters.properties"No default value ⇒ add to "required".Pythontype mapping: str→string。int→integer,float→number,bool→boolean.

    解析示例演示

    A simple wear query function:

    def get_wear_for_location -> str:
    """Get wear for a given city
    从Args来看，city: 需要查询天气的城市名称
    """
    # 模拟天气查询接口
    wear_map = {"深圳":'多云转阴',"北京":"'晴'","上海":"'小雨'"}
    return wear_map.get
    

    The inspector will turn it into exact JSON shown in Section "主要请求参数详解".

    四、纯 Python 无框架 Function Calling 完整实现

    整体闭环流程图

    graph TD %% 样式定义 classDef init fill:#e6f7ff,stroke:#1890ff,stroke-width:1px;classDef parse fill:#f0f8ff。stroke:#40a9ff,stroke-width:1px;classDef api fill:#fff7e6。stroke:#faad14,stroke-width:1px;老实说，classDef local fill:#f6ffed。stroke:#52c41a,stroke-width:1px;classDef endnode fill:#f0f2f5。stroke:#8c8c8c,stroke-width:1px;A:::init --> B:::init B --> C:::parse C --> D:::api D --> E{是否需要调⽤工具?} E -->|否| F:::api E -->|是| G:::local G --> H:::local H --> I:::local I --> J:::api J --> K:::api F --> L:::endnode K --> L

    完整可运行代码

    You can install minimal dependencies with:

    uv add openai dotenv # or pip install openai python-dotenv
    python
    import os
    import json
    import inspect
    from typing import Callable,Dict,Any
    from openai import OpenAI # 官方 SDK，仅作 HTTP 包装
    from dotenv import load_dotenv
    load_dotenv
    client = OpenAI(
    api_key=os.getenv,base_url=(
    说到“https，//dashscope.aliyuncs.com/compatible-mode/v1”
    ),)
    def get_wear_for_location -> str:
    """Get wear for a given city
    从Args来看，city: 需要查询天气的城市名称
    """
    wear_map = {
    至于“深圳”，“多云转阴”,“北京”: “晴”,“上海”: “小雨”,“广州”: “多云”,}
    return wear_map.get
    def parse_function_to_tool -> Dict:
    """将普通 Python 函数转成通义千问所需 tools 格式"""
    sig = inspect.signature
    doc = inspect.getdoc or “”
    # 基础结构
    tool = {
    “type”这方面，“function”,“function”: {
    “name”的观点是，func.__name__,“description”: doc.split,# 首行 docstring 为描述
    “parameters”: {
    “type”的观点是，“object”,“properties”: {},“required”:,},},}
    # 类型映射表
    type_map = {str:“string”,int:“integer”,float:“number”,bool:“boolean”}
    for name,param in sig.parameters.items:
    p_type = type_map.get
    # 简单从 docstring 中抽取描述
    desc = “”
    if f"{name}:" in doc :
    try :
    desc_part = doc.split
    desc = desc_part.split.strip
    except Exception :
    pass
    tool = {
    说到“type”，p_type。“description”: desc
    }
    if param.default is param.empty :
    tool.append
    return tool
    def execute_tool_call -> str :
    """遍历 tool_calls 并调用对应本地函数"""
    for call in tool_calls :
    func_name = call.function.name # 新版 SDK 使用属性访问
    args_json = call.function.arguments
    args_dict = json.loads
    if func_name in func_map :
    return func_map
    return ”Tool execution failed – no matching function”
    def function_calling_chat -> str :
    # 初始上下文
    messages =
    # 注册所有业务函数
    local_functions =
    func_map ={fn.__name__:fn for fn in local_functions}
    tools =
    # ------------------ 第一次请求 ------------------
    resp1=client.chat.completions.create(
    model=”qwen-plus”,messages=messages,tools=tools,tool_choice=”auto”,stream=False )
    first_msg=resp1.choices.message
    # 若没有 tool_calls，则直接返回文本
    if not getattr:
    return first_msg.content
    # ------------------ 本地执行 ------------------
    result=execute_tool_call
     # 将第一次 assistant 消息加入上下文
    messages.append)
    # 加入 tool 返回结果
    messages.append({
    再看”role“，"tool",”tool_call_id“:first_msg.tool_calls.id,”content“:result
    })
    # ------------------ 第二次请求 ------------------
    resp2=client.chat.completions.create(
    model=”qwen-plus”,messages=messages,tools=tools,tool_choice=”auto”,stream=False )
    final_msg=resp2.choices.message
    return final_msg.content
    
    
    if name =="main":
    answer=functioncallingchat
    print
    
    
    五、主要 
    
    
    ​ ​
    ​
    ​
    ​
    ​
    ​
    ​
    ​
    Pain point 回顾： 不要把 Framework 当作黑盒；先弄清楚两次 API 往返 + 本地函数映射才是真正能掌控的大局！