04-让AI学会行动-FunctionCalling函数调用
unction Calling的工作原理
很多人误解Function Calling是AI直接调用了函数。实际上，AI并不执行任何代码，它只是"告诉"你它想调用哪个函数、传什么参数。真正的执行逻辑由你的程序完成。
完整的交互流程如下：
┌──────────┐ ①用户提问 ┌──────────┐
│ │ ──────────────────→ │ │
│ 你的 │ │ 大模型 │
│ 程序 │ ②模型返回： │ │
│ │ “我想调用 │ │
│ │ GetWeatherInfo │ │
│ │ (city=广州)” │ │
│ │ ←────────────────── │ │
│ │ │ │
│ │ ③执行本地函数 │ │
│ │ GetWeatherInfo │ │
│ │ (“广州”) │ │
│ │ → 得到天气数据 │ │
│ │ │ │
│ │ ④把函数结果回传 │ │
│ │ ──────────────────→ │ │
│ │ │ │
│ │ ⑤模型基于结果 │ │
│ │ 生成最终回答 │ │
│ │ ←────────────────── │ │
└──────────┘ └──────────┘
关键认知：模型做了决策（调什么函数、传什么参数），你的程序做了执行（实际调用函数），模型再做总结（基于结果生成回答）。
定义AI可调用的函数
在C#中，定义一个AI可调用函数只需要两步：
编写函数并用[Description]描述
[Description(“Get weather information for the specified city”)]
string GetWeatherInfo(
[Description(“City name, for example: GuangDong”)] string city)
{
// 模拟天气API调用
var weatherData = new
{
city,
temperature = “30°C”,
condition = “Sunny”,
humidity = “65%”,
windSpeed = “10 km/h”
};return JsonSerializer.Serialize(weatherData);
}
[Description]特性至关重要——模型正是通过这些描述来理解：
这个函数是做什么的？
参数应该怎么填？
描述越准确，模型的调用决策越正确。
- 注册为AI工具
var options = new ChatOptions
{
Tools = [AIFunctionFactory.Create(GetWeatherInfo)]
};
AIFunctionFactory.Create()会反射函数签名和Description特性，自动生成符合OpenAI Tool协议的工具描述JSON。
启用自动函数调用
默认的IChatClient不会自动执行函数调用。我们需要用ChatClientBuilder包装一层：
IChatClient client =
new OpenAI.Chat.ChatClient(
model,
new ApiKeyCredential(apiKey),
new OpenAI.OpenAIClientOptions { Endpoint = new Uri(baseUrl) })
.AsIChatClient();
// 关键：用UseFunctionInvocation()启用自动函数执行
using var functionCallingChatClient = new ChatClientBuilder(client)
.UseFunctionInvocation()
.Build();
UseFunctionInvocation()做了什么？它注册了一个中间件管道：
拦截模型的响应
检测是否包含函数调用请求
如果有，自动执行对应的本地函数
把函数结果回传给模型
返回模型的最终回答
整个过程对开发者完全透明——你只需要像普通对话一样调用GetStreamingResponseAsync。
完整的Function Calling对话
var options = new ChatOptions
{
Tools = [AIFunctionFactory.Create(GetWeatherInfo)]
};
List chatMessages =
[
new ChatMessage(ChatRole.System, “你是一个有用的AI助手，请用中文回答用户的问题。”)
];
while (true)
{
Console.Write("\n你: ");
var userInput = Console.ReadLine();
if (userInput.Equals("exit", StringComparison.OrdinalIgnoreCase)) { Console.WriteLine("再见！"); break; } chatMessages.Add(new ChatMessage(ChatRole.User, userInput)); Console.Write("\nAI: "); StringBuilder sb = new StringBuilder(); await foreach (var update in functionCallingChatClient .GetStreamingResponseAsync(chatMessages, options)) { foreach (var item in update.Contents) { if (item is TextReasoningContent textReasoning) { Console.Write(textReasoning.Text); // 思考过程 } else if (item is TextContent text) { Console.Write(text.Text); // 最终回答 sb.Append(text.Text); } } }}
代码和之前的对话程序几乎一样！唯一的区别是传入了options（包含工具列表）。函数调用的复杂逻辑全部被UseFunctionInvocation()封装了。
透视Function Calling的底层通信
项目中提供了一个基于HarmonyLib的HTTP拦截器，它通过Hook HttpClient的构造函数，自动在所有HTTP请求中注入日志记录，无需修改业务代码。使用方式很简单，在代码入口加一行：
HttpClientInterceptor.StartInterception();
开启后你就能在控制台看到Function Calling的完整请求和响应报文（详见06-番外篇）。下面我们来看看Function Calling实际经历了两次API请求：
第一次请求：模型决策
请求体（关键部分）：
{
“model”: “glm-5.1”,
“messages”: [
{ “role”: “system”, “content”: “你是一个有用的AI助手…” },
{ “role”: “user”, “content”: “广州今天天气怎么样？” }
],
“tools”: [
{
“type”: “function”,
“function”: {
“name”: “GetWeatherInfo”,
“description”: “Get weather information for the specified city”,
“parameters”: {
“type”: “object”,
“properties”: {
“city”: {
“type”: “string”,
“description”: “City name, for example: GuangDong”
}
},
“required”: [“city”]
}
}
}
]
}
注意tools数组——这就是模型"看到的"可用工具列表。
响应体（关键部分）：
{
“choices”: [{
“message”: {
“role”: “assistant”,
“tool_calls”: [{
“id”: “call_xxx”,
“type”: “function”,
“function”: {
“name”: “GetWeatherInfo”,
“arguments”: “{“city”:“广州”}”
}
}]
}
}]
}
模型没有直接回答，而是返回了一个tool_calls——它决定调用GetWeatherInfo，参数是city=广州。
中间执行：本地函数
SDK自动执行GetWeatherInfo(“广州”)，得到：
{“city”:“广州”,“temperature”:“30°C”,“condition”:“Sunny”,“humidity”:“65%”,“windSpeed”:“10 km/h”}
第二次请求：结果回传
{
“messages”: [
{ “role”: “system”, “content”: “…” },
{ “role”: “user”, “content”: “广州今天天气怎么样？” },
{ “role”: “assistant”, “tool_calls”: […] },
{ “role”: “tool”, “tool_call_id”: “call_xxx”,
“content”: “{“city”:“广州”,“temperature”:“30°C”,…}” }
]
}
注意新增的tool角色消息——这就是函数执行结果。模型基于这个结果生成最终回答。
第二次响应：最终回答
模型这次不再请求调用函数，而是直接用自然语言总结：
“广州今天天气晴朗，气温30°C，湿度65%，风速10km/h，适合户外活动。”
多个函数的场景
你可以同时注册多个函数，模型会智能选择：
[Description(“获取指定城市的天气信息”)]
string GetWeatherInfo([Description(“城市名称”)] string city) { … }
[Description(“搜索网页信息”)]
string SearchWeb([Description(“搜索关键词”)] string query) { … }
[Description(“计算数学表达式”)]
string Calculate([Description(“数学表达式”)] string expression) { … }
var options = new ChatOptions
{
Tools = [
AIFunctionFactory.Create(GetWeatherInfo),
AIFunctionFactory.Create(SearchWeb),
AIFunctionFactory.Create(Calculate)
]
};
模型会根据用户的问题自动选择合适的函数——甚至可能在一个回答中调用多个函数。
最佳实践
Description的编写原则
// ❌ 太简略，模型可能误解
[Description(“Get weather”)]
string GetWeather(string city) { … }
// ✅ 清晰描述功能和参数
[Description(“获取指定城市的实时天气信息，包括温度、湿度、天气状况等”)]
string GetWeatherInfo(
[Description(“城市名称，如：北京、上海、广州，支持中文城市名”)]
string city) { … }
函数设计的注意事项
原则 说明
返回值用JSON字符串 模型更容易解析结构化的JSON
函数要幂等 模型可能在推理过程中多次调用同一函数
做好错误处理 函数失败时返回错误信息而非抛异常，模型能理解错误并调整回答
参数尽量简单 避免复杂的嵌套对象参数
从Function Calling到Agent
Function Calling是构建AI Agent的基石。Agent = LLM + Memory + Tools。我们目前已经拥有了：
✅ LLM对话（第一篇）
✅ 记忆系统（第二、三篇）
✅ 工具调用（本篇）
一个基本的Agent已经初具雏形。但Function Calling还有一个局限：工具必须在编译时定义。如果你想让AI动态接入各种第三方工具呢？
这就是下一篇文章的主角——MCP协议。
小结