在 LangChain 中，​Function Calling（函数调用）​​ 是指让大语言模型（如 OpenAI、Claude 等）根据用户的问题，​决定调用某个预定义的函数（或工具），并生成正确的函数调用参数，然后由系统实际执行该函数，并将结果返回给模型，形成闭环。

这是构建智能、可操作助手的核心技术之一，也是目前主流 LangChain 应用（如 Agent、问答助手、任务自动化等）的重要组成。

---

一、什么是 Function Calling？

简单来说：

函数调用（Function Calling）就是让 LLM “决定何时调用哪个函数，以及传入什么参数”，并由实际代码去执行该函数，再将结果反馈给 LLM，从而实现 LLM 与真实世界功能的交互。

它通常涉及以下几个步骤：

1. ​定义一组函数（或工具）​，包括函数名称、描述、参数结构。

2. ​让 LLM 分析用户输入，决定调用哪个函数，并生成函数调用的参数。​​

3. ​系统根据 LLM 的函数调用请求，实际执行对应的函数。​​

4. ​将函数执行结果返回给 LLM，让它继续生成最终回复。​​

---

二、LangChain 中的 Function Calling 支持

LangChain 提供了对 Function Calling 的原生支持，尤其是针对像 ​OpenAI​ 这类支持 Function Calling 的模型（如 gpt-3.5-turbo-0125、gpt-4-turbo等）。

LangChain 提供了：

• langchain_core.utils.function_calling工具

• langchain_core.messages中的 FunctionMessage

• langchain的 agents、tools、chat_models模块都深度集成了 Function Calling

---

三、Function Calling 使用示例（以 OpenAI 为例）

下面是一个完整的、可直接运行的示例，展示如何使用 LangChain 实现 Function Calling，让 LLM 帮助用户查询当前时间或获取用户信息。

---

🧩 场景设定

我们定义两个函数：

1. get_current_time()—— 返回当前时间

2. get_user_info(user_id: int)—— 模拟根据用户 ID 查询用户信息

然后让 LLM 根据用户问题，决定调用哪一个函数，并传递正确的参数。

---

✅ 1. 安装依赖（如未安装）

确保你安装了 LangChain 和 OpenAI 相关库：

pip install langchain langchain-openai

如果你用其他模型（如 Claude、Azure、Mistral 等），也支持 Function Calling，用法类似。

---

✅ 2. 完整代码示例：Function Calling

from langchain_core.messages import HumanMessage, FunctionMessage
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI
from langchain_core.utils.function_calling import convert_to_openai_function
from typing import Dict, Any
import datetime

# -------------------------------
# Step 1: 定义你要调用的函数
# -------------------------------

# 函数1：获取当前时间
def get_current_time() -> str:
    return f"当前时间是：{datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')}"

# 函数2：模拟获取用户信息
def get_user_info(user_id: int) -> str:
    return f"用户ID为 {user_id} 的信息：这是一个模拟用户，姓名张三，注册于2023年。"

# -------------------------------
# Step 2: 将函数转换为 OpenAI Function 格式
# -------------------------------

functions = [
    {
        "name": "get_current_time",
        "description": "获取当前系统时间",
        "parameters": {},  # 无参数
    },
    {
        "name": "get_user_info",
        "description": "根据用户ID获取用户信息",
        "parameters": {
            "type": "object",
            "properties": {
                "user_id": {
                    "type": "integer",
                    "description": "要查询的用户ID",
                }
            },
            "required": ["user_id"],
        },
    },
]

# 转换为 LangChain 可用的 Function 对象（兼容格式）
openai_functions = [convert_to_openai_function(f) for f in functions]

# -------------------------------
# Step 3: 定义 LLM 模型，并启用 function calling
# -------------------------------

model = ChatOpenAI(
    model="gpt-3.5-turbo-0125",  # 或 gpt-4-turbo，必须支持 function call
    temperature=0,
)

# -------------------------------
# Step 4: 构建 Prompt，提示模型根据问题选择调用函数
# -------------------------------

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个智能助手，可以根据用户问题调用以下函数：\n"
               "1. get_current_time()：获取当前时间\n"
               "2. get_user_info(user_id)：根据用户ID查询用户信息\n\n"
               "请分析用户问题，决定调用哪个函数，并给出正确的参数。"),
    ("human", "{input}"),
])

# -------------------------------
# Step 5: 构建 Chain：Prompt -> LLM（带 function calling）-> 处理函数响应
# -------------------------------

def run_tools(function_call_result):
    """根据 LLM 的 function call 决定调用哪个实际函数"""
    if not function_call_result.tool_calls:
        return "抱歉，我无法处理该请求。"

    for tool_call in function_call_result.tool_calls:
        name = tool_call["name"]
        args = tool_call["args"]

        if name == "get_current_time":
            result = get_current_time()
        elif name == "get_user_info":
            user_id = args.get("user_id")
            if not isinstance(user_id, int):
                return f"错误：user_id 必须是整数，但你传入的是 {user_id}"
            result = get_user_info(user_id)
        else:
            return f"未知函数：{name}"

        # 模拟返回函数执行结果给 LLM（用 FunctionMessage）
        # 在真实 Agent 中，这一步会由 LangChain 自动管理
        print(f"[函数调用结果] {name}({args}) => {result}")
        return result  # 简化：直接返回，不再进入多轮对话

# 组合 Chain
chain = (
    RunnablePassthrough.assign(
        chat_history=lambda x: [],  # 可加入历史消息
    )
    | prompt
    | model.bind(functions=openai_functions)  # 关键：绑定 functions 参数，启用 function call
    | RunnablePassthrough.assign(
        final_response=lambda x: run_tools(x)
    )
)

# -------------------------------
# Step 6: 测试调用
# -------------------------------

# 示例1：询问当前时间
print("=== 问题1：现在几点？===")
response1 = chain.invoke({"input": "现在几点？"})
print("回答：", response1["final_response"], "\n")

# 示例2：查询用户信息
print("=== 问题2：查一下用户ID为101的信息===")
response2 = chain.invoke({"input": "查一下用户ID为101的信息"})
print("回答：", response2["final_response"], "\n")

---

🧠 代码解析

步骤	说明
1️⃣ 定义函数	定义你希望 LLM 调用的实际功能，如 get_current_time()和 get_user_info()
2️⃣ 转换函数为 OpenAI Function 格式	使用 convert_to_openai_function()，生成模型理解的 JSON Schema
3️⃣ 加载支持 Function Calling 的模型	比如 gpt-3.5-turbo-0125，并在调用时通过 .bind(functions=...)启用
4️⃣ 构建 Prompt	提示模型它可以使用哪些函数，引导它做出正确的函数调用决策
5️⃣ 处理函数调用结果	当 LLM 返回 tool_calls时，根据函数名和参数去真正执行函数
6️⃣ 测试调用	模拟用户提问，观察 LLM 是否正确调用函数并返回结果

---

四、关键点总结

项目	说明
✅ Function Calling 作用	让 LLM 能够调用外部函数/工具，实现真正“能做事”的智能助手
✅ LangChain 支持情况	原生支持，特别是对 OpenAI 系列模型（gpt-3.5/4 + function call）
✅ 必要步骤	定义函数 → 转换为 OpenAI Function 格式 → 绑定到模型 → 处理函数调用
✅ 工具/函数需有清晰描述和参数	LLM 依赖 description 和参数 schema 做出正确判断
✅ 推荐使用 Pydantic（高级）	更规范地定义参数类型，提升 LLM 理解和生成准确性
✅ 可与 Agent 结合	实际项目中，通常用 Agent 管理多工具、多轮调用、记忆等

---

五、进阶：使用 LangChain Tools + Function Calling

在实际项目中，你可能不是手写 run_tools()，而是使用 LangChain 的标准 Tool类，配合 agent，让 LangChain 自动管理：

• 工具注册

• 工具描述

• 函数调用生成

• 工具执行

• 多轮交互

👉 推荐你进一步学习：

• langchain.agents（如 Zero-shot Agent、ReAct Agent）

• langchain.tools（标准 Tool 定义）

• langchain_community.tools（现成工具，如搜索、API、数据库等）

---

六、总结

功能	是否支持	说明
✅ 让 LLM 调用自定义函数	✔️	通过 Function Calling 实现
✅ LangChain 原生支持	✔️	特别是对 OpenAI 模型
✅ 支持参数传递与校验	✔️	通过 JSON Schema / Pydantic
✅ 可与 Agent 无缝集成	✔️	推荐用于生产级应用
✅ 支持多工具、多轮交互	✔️	构建真正智能的助手

---