Function Call 的最小实现
本文整体思路是抄的从零开始：深入构建 Agent 的 Function Call 实现，只是针对ollama 的调用做了些补充。 整体工作流程如下：
准备工作
定义LLM 客户端及工具函数（集合）
python
import json
from ollama import Client
client = Client(host="http://localhost:11434")
def send_messages(msgs):
"""
客户端向LLM 发送消息，并获取响应
- 相比与generate 和completion，chat 可以传入对话历史，实现多轮对话
"""
resp = client.chat(model="qwen3.5:35b", messages=msgs)
# 后面将本轮对话产生的结果追加到新的消息体里面
return resp.message.content
def get_weather(city: str):
"""工具函数：模拟天气查询"""
return f"{city}，晴天"
# 工具的集合
tools = {"get_weather": get_weather}系统提示词
系统提示词规定了chat 的功能和整体对话的流程：
python
system_prompt = """
你在运行一个`思考`->`工具调用`->`响应`的过程。每次之运行一个步骤。下面是具体步骤的定义：
1. `思考`：你要仔细思考用户的问题
2. `工具调用`：选择可以调用的工具函数，并根据工具的函数签名生成所需的参数
3. `响应`：根据工具调用产生的结果，回答用户的问题
现有以下工具（python 函数形式）可用：
1. 查询城市天气
- 函数名 get_weather
- 参数：
- city: str 城市名
- 返回值:
- str
以下是一个完整的过程示例：
## 第一轮对话
user: 天津的天气怎么样？
thought: 思考应该调用工具查询天津的天气
assistan(以json 字符串的形式返回function_call，不要有多余的解释和符号，只返回最简洁的形式，如下面所示):
{
"function_name": "get_weather",
"function_parameters":{
city: "天津"
}
}
## 第二轮对话
user：调用function_call 的结果是"天津，晴天"
assistant: 天津的天气晴朗
"""在LLM 收到这句话后，会返回如下的内容（点击展开）
markdown
您好！我已经理解了您描述的工作流程：
**我的工作流程：**
1. **思考** - 仔细分析用户问题
2. **工具调用** - 根据需求选择合适的工具并生成参数
3. **响应** - 基于工具返回的结果回答用户
**可用工具：**
- `get_weather(city)` - 查询指定城市的天气
---
**我已经准备好为您服务了！** 请告诉我您需要什么帮助，例如：
- 查询某个城市的天气
- 其他需要我使用工具的问题
请您提出问题，我将按照思考→调用工具→响应的流程为您处理。运行实例
第一轮对话
第一轮对话主要是为了获得工具函数以及对应的参数：
python
messages = [
{"role": "system", "content": system_prompt},
{"role": "user", "content": "上海今天天气如何"},
]
resp = send_messages(messages)
print(resp)下面是第一轮对话的响应（点击展开）
json
{
"function_name": "get_weather",
"function_parameters": {
"city": "上海"
}
}调用工具
python
if resp:
# 将LLM 返回结果追加到chat 多轮对话记录
messages.append({"role": "assistant", "content": resp})
fc = json.loads(resp) # 解析json，这里容易出异常
resp = tools[
fc["function_name"] # 提取工具名
](
**fc["function_parameters"] # 解析参数，字典解包用**，列表解包用*
)
# 上海，晴天
else:
print("失败了~")第二轮对话
resp 此时变成了函数调用的结果
python
if resp:
messages.append(
{"role": "user", "content": f'调用function_call 的结果是"{resp}"'}
)
resp = send_messages(messages)
print("resp")
# 今天上海的天气晴朗。最终chat 多轮对话的内容如下（点击展开）
python
messages=[
{'role': 'system', 'content': '\n你在运行一个`思考`->`工具调用`->`响应`的过程。每次之运行一个步骤。下面是具体步骤的定义：\n1. `思考`：你要仔细思考用户的问题\n2. `工具调用`：选择可以调用的工具函数，并根据工具的函数签名生成所需的参数\n3. `响应`：根据工具调用产生的结果，回答用户的问题\n\n现有以下工具（python 函数形式）可用：\n1. 查询城市天气\n - 函数名 get_weather\n - 参数：\n - city: str 城市名\n - 返回值:\n - str\n\n以下是一个完整的过程示例：\n\n## 第一轮对话\nuser: 天津的天气怎么样？\nthought: 思考应该调用工具查询天津的天气\nassistan(以json 字符串的形式返回function_call，不要有多余的解释和符号，只返回最简洁的形式，如下面所示):\n{\n "function_name": "get_weather",\n "function_parameters":{\n city: "天津"\n }\n}\n\n## 第二轮对话\nuser：调用function_call 的结果是"天津，晴天"\nassistant: 天津的天气晴朗\n'},
{'role': 'user', 'content': '上海今天天气如何'},
{'role': 'assistant', 'content': '{\n "function_name": "get_weather",\n "function_parameters": {\n "city": "上海"\n }\n}'},
{'role': 'user', 'content': '调用function_call 的结果是"上海，晴天"'},
{'role': 'assistant', 'content': '上海今天的天气是晴天。'}
]当前能够模拟function call 的基本流程，但是缺点就是LLM输出结果不稳定，还需参考其他项目进行完善。不过有了function call，就有了MCP/Skills 的基础，还是蛮有意思的。