调用方式

Kinger2026/7/23大约 3 分钟

学习 Function Calling 和 Agent 调用，本质上是学习如何让大模型输出“结构化数据”并与你的 Python 代码逻辑进行“握手”。

以下是目前行业内最常见的三种调用方式，按从底层到高层的顺序排列：

1. 方式一：原生 API 调用 (OpenAI / DashScope 风格)

这是目前最标准、最通用的方式。几乎所有国产模型（DeepSeek, Qwen, GLM）都兼容这一套接口。

核心逻辑： 在请求时传入一个 tools 列表，模型如果认为需要调用工具，会返回一个 tool_calls 字段，其中包含函数名和 JSON 格式的参数。
优点： 性能最高，没有任何中间商赚差价，最适合理解底层原理。
适用场景： 你正在做的分布式日志分析平台的后端核心引擎。

2. 方式二：ReAct Prompting (手动解析模式)

如果某些开源模型不支持官方的 Function Calling 接口，开发者会使用这种“纯文本引导”的方式。

核心逻辑： 在 Prompt 中强制规定格式。

Prompt: "如果你需要查日志，请输出：Action: query_log(service='xxx')。我会把结果告诉你。"

优点： 兼容性极强，任何能聊天的模型都能用。
缺点： 极其不稳定。AI 可能会写错括号、少个引号，导致你的 Python json.loads() 报错。
适用场景： 使用一些小型、未经过函数调用微调的本地模型（如 Llama-3-8B 的基础版）。

3. 方式三：框架集成调用 (LangChain / Smolagents)

这是工程化开发最常用的方式，也是你后续进阶的方向。

核心逻辑： 框架通过 Python 装饰器 (**@tool**) 自动帮你完成 JSON Schema 的转换。
代码示例 (以 HuggingFace 的 smolagents 为例)：

from smolagents import CodeAgent, DuckDuckGoSearchTool, HfApiModel

# 只要给函数加个描述，框架自动处理所有的 Function Calling 细节
@tool
def fetch_kafka_status(topic: str) -> str:
    """查询指定 Kafka Topic 的积压情况"""
    return f"Topic {topic} 运行正常，积压 0"

agent = CodeAgent(tools=[fetch_kafka_status], model=HfApiModel())
agent.run("帮我看看订单 Topic 的情况")