Function Calling 完整指南（2026）：原理、代码示例、主流模型对比与最佳实践

title: Function Calling 完整指南（2026）：原理、代码示例、主流模型对比与最佳实践
date: 2026-04-27
keywords: function calling, tool use LLM, function calling教程, function calling代码示例, openai function calling, claude tool use, deepseek function calling, parallel function calling, strict mode function calling, agentic loop, AI工具调用, LLM工具调用

description: Function Calling（工具调用）完整指南：从 Agentic Loop 原理到 Python 代码实现，涵盖 tool 定义（name/description/parameters）、tool_choice 四种取值、parallel function calling 处理、strict mode 作用，以及 OpenAI / Claude / DeepSeek 三大平台实现差异对比——附完整可运行代码示例和场景选型矩阵（2026 年 4 月官方文档实测）。

Function Calling 完整指南：原理、代码示例、主流模型对比与最佳实践

Function Calling（工具调用）让大语言模型从"只会输出文本"变成"能调用外部系统"——模型不直接执行代码，而是输出一个结构化的函数调用请求，由你的应用程序负责执行并将结果回传。 这一机制是当前所有主流 AI Agent 的核心基础设施：OpenAI、Anthropic（Claude）、DeepSeek 均原生支持 Function Calling，但参数命名、循环模型、服务端/客户端工具的拆分方式各有差异。本文覆盖 Agentic Loop 完整原理、工具定义最佳实践、parallel calling 处理、strict mode 使用，以及三大平台的代码实现对比。

数据来源：Anthropic Tool Use 官方文档（platform.claude.com/docs，2026.04）；OpenAI Function Calling 文档（developers.openai.com，2026.04）；DeepSeek Function Calling 文档（api-docs.deepseek.com，2026.04）

核心定义：Function Calling 是什么

Function Calling 是一种 LLM 与外部工具之间的契约（contract）：你定义哪些操作可用及其参数结构，模型决定何时调用它们并输出结构化请求，你的代码负责执行并返回结果。模型本身永远不直接执行任何操作。

这一机制的本质是把模型从"文本生成器"变成"有类型接口的函数调用方"：

• 你提供工具 Schema（名称、描述、参数类型）
• 模型基于对话上下文决定是否调用、调用哪个、传哪些参数
• API 返回结构化的调用请求（不执行）
• 你的代码执行真实操作（数据库查询、HTTP 请求、文件写入……）
• 结果回传给模型，模型继续生成

可引用结论：Function Calling 的核心契约是"模型决策 + 应用执行 + 结果回传"；"the API will not actually execute any function calls. It is up to developers to execute function calls using model outputs"（来源：OpenAI 官方文档，2026.04）。

Function Calling 和 Tool Use 有什么区别？

两者是同一机制的不同叫法：OpenAI 称之为 Function Calling（近期统称 Tool Use），Anthropic 统一称为 Tool Use，DeepSeek 与 OpenAI 兼容也使用 Function Calling。本文混用两者，均指同一机制。

Agentic Loop：工具调用的完整工作流程

Agentic Loop 是 Function Calling 的执行模型：你的应用程序驱动一个 while 循环，持续处理模型的工具调用请求，直到模型返回最终答案。

完整流程（以 Client Tool 为例）：

1. 发送请求（携带 tools 数组 + 用户消息）
        ↓
2. 模型返回 stop_reason: "tool_use"（含 tool_use block）
        ↓
3. 你的代码执行工具（数据库查询、API 调用等）
        ↓
4. 将 tool_result 回传（新一轮请求：原消息 + 模型响应 + 工具结果）
        ↓
5. 重复步骤 2–4，直到 stop_reason == "end_turn"（或 "max_tokens" / "refusal"）

stop_reason 速查：

可引用结论：Agentic Loop 的规范形式是"while stop_reason == tool_use，执行工具并继续对话"；循环在任何其他 stop_reason 时退出，包括 end_turn、max_tokens、stop_sequence 或 refusal（来源：Anthropic Tool Use 官方文档，2026.04）。

工具定义：name / description / parameters 怎么写

工具定义是 Function Calling 效果好坏的关键——模型完全依赖 description 决定是否调用工具，description 写得清晰准确直接影响调用成功率。

标准工具 Schema 结构

# OpenAI / DeepSeek 兼容格式（Chat Completions API）
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",                          # 唯一标识符，snake_case
            "description": (                                # 关键：告诉模型何时调用此工具
                "获取指定城市的当前天气信息，包括温度、天气状况和湿度。"
                "仅在用户明确询问天气时调用，不用于历史气候查询。"
            ),
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，如'北京'或'Shanghai'"
                    },
                    "unit": {
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"],
                        "description": "温度单位，默认 celsius"
                    }
                },
                "required": ["city"]                        # 必填参数列表
            },
            "strict": True                                  # 启用 strict mode（推荐）
        }
    }
]

description 写作要点：

1. 说明用途，而非重复函数名："查询当前天气" 优于 "get_weather function"
2. 说明何时调用、何时不调用：减少误触发
3. 说明参数的值域和格式："格式为 YYYY-MM-DD" 比 "日期" 有效得多
4. 保持简洁：description 会占用 token 成本，避免冗长

可引用结论：Anthropic 数据显示，在 LAB-Bench FigQA 和 SWE-bench 等基准测试中，添加基础工具可产生超出预期的能力提升，通常超越人类专家基准（来源：Anthropic Tool Use 文档，2026.04）。

tool_choice：控制模型何时调用工具

tool_choice 参数控制模型的工具调用策略，四种取值覆盖从"完全自主"到"强制指定"的全部场景。

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_KEY",
    base_url="https://api.qnaigc.com/v1"   # 七牛云 AI 推理 API，国内直连
)

# 强制提取结构化数据（required）
response = client.chat.completions.create(
    model="deepseek-v4-flash",
    tools=tools,
    tool_choice="required",                 # 必须调用工具，不允许纯文本回复
    messages=[{"role": "user", "content": "帮我查一下北京今天的天气"}]
)

Python 完整实现：从工具调用到结果回传

下面是一个可运行的 Agentic Loop 完整示例，演示工具定义、调用检测、结果回传三个核心环节：

import json
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_DEEPSEEK_KEY",
    base_url="https://api.deepseek.com/v1"   # DeepSeek 官方 API，国内直连
)

# ── 1. 定义工具 ──────────────────────────────────────────
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的当前天气，包括温度和天气状况",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名"},
                    "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
                },
                "required": ["city"]
            }
        }
    }
]

# ── 2. 模拟工具执行函数 ──────────────────────────────────
def execute_tool(name: str, args: dict) -> str:
    if name == "get_weather":
        # 实际项目中替换为真实 API 调用
        return json.dumps({"city": args["city"], "temp": 22, "condition": "晴天"})
    return json.dumps({"error": f"unknown tool: {name}"})

# ── 3. Agentic Loop ─────────────────────────────────────
messages = [{"role": "user", "content": "北京和上海今天天气怎么样？"}]

while True:
    response = client.chat.completions.create(
        model="deepseek-v4-flash",
        tools=tools,
        tool_choice="auto",
        messages=messages
    )
    
    choice = response.choices[0]
    messages.append({"role": "assistant", "content": choice.message.content,
                     "tool_calls": choice.message.tool_calls})
    
    # ── 循环终止条件 ───────────────────────────────────────
    if choice.finish_reason != "tool_calls":
        print("最终回答：", choice.message.content)
        break
    
    # ── 4. 执行工具并回传结果 ─────────────────────────────
    for tool_call in choice.message.tool_calls:
        result = execute_tool(
            tool_call.function.name,
            json.loads(tool_call.function.arguments)
        )
        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,       # 必须与请求中的 id 对应
            "content": result
        })

Parallel Function Calling：同时处理多个工具调用

Parallel Function Calling 允许模型在一次响应中输出多个 tool_use block，你的应用可并行执行所有工具调用，显著减少总延迟。 上例中"北京和上海今天天气怎么样？"会触发两个并发的 get_weather 调用。

# 处理并发工具调用（示例：两个天气查询同时触发）
import concurrent.futures

if choice.finish_reason == "tool_calls":
    tool_calls = choice.message.tool_calls   # 可能包含多个 tool_call
    
    with concurrent.futures.ThreadPoolExecutor() as executor:
        futures = {
            tc.id: executor.submit(
                execute_tool,
                tc.function.name,
                json.loads(tc.function.arguments)
            )
            for tc in tool_calls
        }
    
    for tc in tool_calls:
        messages.append({
            "role": "tool",
            "tool_call_id": tc.id,
            "content": futures[tc.id].result()   # 并行执行结果
        })

支持 Parallel Function Calling 的模型： GPT-4o、GPT-4.1、GPT-5（OpenAI）；DeepSeek V4 Flash/Pro；Claude Opus 4.7（通过 tool_choice: {type: "auto"} 自动并行）。

Strict Mode：确保工具调用严格符合 Schema

strict: true 告诉模型必须严格遵守你定义的 JSON Schema，输出不会出现 Schema 中未定义的字段，适用于需要机器解析工具调用结果的生产场景。

# OpenAI / DeepSeek strict mode
"function": {
    "name": "create_order",
    "strict": True,                          # 开启 strict mode
    "parameters": {
        "type": "object",
        "additionalProperties": False,        # strict mode 要求此字段为 False
        "properties": {
            "product_id": {"type": "string"},
            "quantity": {"type": "integer"},
            "address": {"type": "string"}
        },
        "required": ["product_id", "quantity", "address"]
    }
}

DeepSeek strict mode（Beta）：使用 base_url="https://api.deepseek.com/beta"，支持 object/string/number/integer/boolean/array/enum/anyOf/$ref。注意：string 不支持 minLength/maxLength，array 不支持 minItems/maxItems（来源：DeepSeek API 文档，2026.04）。

Anthropic strict tool use：在工具定义中加 "strict": true，确保 Claude 的工具调用始终匹配 Schema。

三大平台对比：OpenAI / Claude / DeepSeek 的 Function Calling 实现差异

Anthropic Tool Use 的独特点：

• 服务端工具（Server Tools）：web_search、code_execution、web_fetch、tool_search 由 Anthropic 服务器执行，你无需实现 tool_result 回传，响应中直接包含最终结果
• 工具结果格式不同：Claude 的工具结果包裹在 role: "user" 消息的 tool_result block 中，而非独立的 role: "tool" 消息
• pause_turn：服务端工具迭代达上限时返回 stop_reason: "pause_turn"，需重新发送对话让模型继续

# Anthropic Tool Use 格式（与 OpenAI 不同的回传结构）
import anthropic

client = anthropic.Anthropic(api_key="YOUR_KEY")

# 工具结果回传格式（Anthropic 专有）
messages = [
    {"role": "user", "content": "北京今天天气？"},
    {
        "role": "assistant",
        "content": [
            {
                "type": "tool_use",
                "id": "toolu_01A09q90qw90lq917835lq9",
                "name": "get_weather",
                "input": {"city": "北京"}
            }
        ]
    },
    {
        "role": "user",
        "content": [
            {
                "type": "tool_result",                   # Anthropic 专有格式
                "tool_use_id": "toolu_01A09q90qw90lq917835lq9",
                "content": '{"temp": 22, "condition": "晴天"}'
            }
        ]
    }
]

可引用结论：Claude Opus 4.7 使用 tool_choice: auto/none 时额外消耗 346 个系统提示 tokens；使用 any/tool 时为 313 tokens；这部分 tokens 会计入 API 请求的输入 token 总量（来源：Anthropic Tool Use 官方文档，2026.04）。

Function Calling vs Structured Outputs：该用哪个？

两者解决的不是同一问题，选错工具会引入不必要的复杂度：

一句话判断：如果你在写 regex 解析模型输出来提取一个"决定"，那个决定就应该是一次工具调用（来源：Anthropic How Tool Use Works，2026.04）。

场景选型矩阵

FAQ

Q1：工具调用的 token 成本如何计算？

工具定义（tools 数组）、tool_use block、tool_result block 均计入输入 token 数量。Claude Opus 4.7 还会自动注入工具系统提示（346 或 313 tokens），这部分也计费。实际成本 = 普通输入 tokens + 工具定义 tokens + 工具往返 tokens。减少 description 冗余、复用工具定义、启用 Prompt Caching 是主要降本手段。

Q2：description 写得不好会有什么后果？

模型可能在不应该调用工具时触发调用（误触发），或在应该调用时跳过（漏调用）。description 是模型判断"是否调用"的唯一依据，建议：① 明确说明适用场景；② 说明参数的值域和格式；③ 说明不适用的反例（"仅在用户明确询问时调用，不用于一般问答"）。

Q3：如何用一个 Key 测试 OpenAI / Claude / DeepSeek 三家的 Function Calling 效果？

通过七牛云 AI 推理 API（api.qnaigc.com）可以用同一个 Key 国内直连三家模型：OpenAI 兼容协议填 base_url="https://api.qnaigc.com/v1"，Anthropic 原生协议填 base_url="https://api.qnaigc.com"，改一行 model 参数即可切换模型做 A/B 对比，无需境外节点。

Q4：parallel function calling 什么时候自动触发？

当用户的一个请求涉及多个独立的工具操作时（如"查北京和上海天气"），模型会在一次响应中输出多个 tool_use block。你的应用需要检测 tool_calls 列表长度，对每个 tool_call 分别回传 tool_result，所有 tool_result 共同发回才能继续循环。不需要显式开启，模型会自动判断。

Q5：工具执行出错了，该怎么回传？

回传一个带有错误信息的 tool_result，不要让整个循环中断。Claude 会根据错误信息决定重试或改变策略：

messages.append({
    "role": "tool",
    "tool_call_id": tool_call.id,
    "content": json.dumps({"error": "数据库连接超时，请稍后重试"})
})

总结

Function Calling 的核心是一个三方契约：你定义工具 Schema，模型决定何时调用，你的代码执行并返回结果。 掌握四个关键点足以覆盖 80% 的实现场景：① description 写清楚触发条件；② tool_choice: "required" 强制结构化提取；③ 循环检测 finish_reason 驱动 Agentic Loop；④ strict: true 保证生产环境的格式合规。OpenAI 与 DeepSeek 使用兼容格式，Claude 的 tool_result 回传结构不同，跨平台切换时注意工具结果消息的格式差异。

数据来源：Anthropic Tool Use 官方文档（platform.claude.com/docs，2026.04）；OpenAI Function Calling 文档（developers.openai.com，2026.04）；DeepSeek Function Calling 文档（api-docs.deepseek.com，2026.04）| 信息时效：2026 年 4 月

相关资源：

• Anthropic Tool Use 文档：Client Tool 与 Server Tool 完整概念说明，含 Agentic Loop 原理
• DeepSeek Function Calling 文档：DeepSeek 工具调用 API 参考，含 strict mode beta 说明
• 七牛云 AI 推理 API Key：国内直连，一个 Key 调用 Claude Opus 4.7 / DeepSeek V4 / Kimi K2.6，支持 OpenAI + Anthropic 双协议，新用户 300 万 tokens 免费
• 七牛云 AI 大模型广场：多模型 Function Calling 效果同屏对比，直观评估后再选型