给小雅装"手"：工具调用（含完整可运行代码）

一、原理：模型只"点菜"，不"做菜"

最关键、也最反直觉的一点：调用工具时，大模型自己并不执行那个工具。 它只做两件事——

1. 决定：该调用哪个工具、传什么参数；
2. 读结果：工具被执行后，拿到返回值，再组织成人话。

真正去按计算器、发起搜索的，是模型外面的程序（你的代码 / 平台）。

一张图看懂工具调用的来回

这套"决定 → 执行 → 喂回 → 作答"的来回，就是 function calling（工具调用） 的全部。

二、🔧 上手：一份能直接跑的工具调用代码

下面这段 Python 可以直接复制运行（用 DeepSeek 或任意 OpenAI 兼容接口）。它给小雅装了一个"计算器"工具，完整跑通上面那张图的四步。

准备：pip install openai，把 你的KEY 换成你的 API Key。

# pip install "openai>=1.0"
import json
from openai import OpenAI

client = OpenAI(
    api_key="你的KEY",
    base_url="https://api.deepseek.com",   # 用别家就换成对应地址
)
MODEL = "deepseek-chat"

# ① 真正干活的工具(模型不会执行它，是我们来执行)
def calculator(expression: str) -> str:
    # 注意：真实项目别用 eval，这里仅作教学演示
    try:
        return str(eval(expression))
    except Exception:
        return "算式无效"            # 模型偶尔传来非法算式，兜底别让程序崩

# ② 给模型的"工具说明书"：名字 + 用途 + 参数
tools = [{
    "type": "function",
    "function": {
        "name": "calculator",
        "description": "做精确数学运算。输入一个算式字符串，返回数值结果。",
        "parameters": {
            "type": "object",
            "properties": {
                "expression": {"type": "string", "description": "要计算的算式，如 800+400*3"}
            },
            "required": ["expression"],
        },
    },
}]

def ask(user_input: str) -> str:
    messages = [{"role": "user", "content": user_input}]

    # 第一次请求：模型可能决定"要调用工具"
    resp = client.chat.completions.create(model=MODEL, messages=messages, tools=tools)
    msg = resp.choices[0].message

    
     msg.tool_calls:
        messages.append(msg)  
         tc  msg.tool_calls:
            args = json.loads(tc.function.arguments)
            result = calculator(**args)          
            ()
            messages.append({
                : ,
                : tc.,
                : result,               
            })
        
        resp = client.chat.completions.create(model=MODEL, messages=messages, tools=tools)
        msg = resp.choices[].message

     msg.content

 __name__ == :
    (ask())

运行结果大概长这样：

  [执行] calculator({'expression': '800+400*3'}) = 2000
这趟一共多花 2000 元（机票 800 + 住宿 400×3=1200）。

逐行对应那张图：定义工具(②说明书) → 模型决定调用(①) → calculator(**args) 执行(②返回) → role:"tool" 喂回(③) → 第二次请求得到人话(④)。这 40 行，就是一切"智能体工具调用"的内核——所谓框架，不过是把它包装得更顺手。

三、案例：再给它加一只"查汇率"的手

工具可以有好几只。把下面这个工具加进 tools 列表、并在执行处加一个分支，小雅就能边算边查汇率了：

# 新增工具：查汇率(演示用固定汇率，真实项目改成调用汇率 API)
RATES = {"USD": 7.2, "EUR": 7.8, "JPY": 0.048}
def exchange_rate(currency: str) -> str:
    return str(RATES.get(currency.upper(), "未知"))

# 加进 tools 列表（写法同 calculator）
tools.append({
    "type": "function",
    "function": {
        "name": "exchange_rate",
        "description": "查询某货币兑人民币的汇率。参数 currency 如 USD/EUR/JPY。",
        "parameters": {
            "type": "object",
            "properties": {"currency": {"type": "string"}},
            "required": ["currency"],
        },
    },
})

# 在执行处按工具名分发（替换原来只有 calculator 的那行）：
def run_tool(name, args):
    if name == "calculator":     return calculator(**args)
    if name == "exchange_rate":  return exchange_rate(**args)
    return "未知工具"

现在问它"我在日本花了 30000 日元，折合人民币多少？"——小雅会先查汇率(0.048)、再调计算器(30000×0.048)，自己挑对了两只手。这就是"工具箱"的威力。

四、工具的"说明书"决定它会不会用

模型靠你写的 description 和 parameters 来判断"何时用、怎么传"。写好说明，比换更强的模型还管用：

五、🙌 不想写代码？低代码一样能配

代码理解了原理；想快速出活，扣子里点几下就行：

1. 进小雅编排页 → 插件 / 工具，添加一个计算器类插件（它已有联网搜索）。
2. 问它"查下北京到上海高铁票价，买 3 张一共多少钱"。
3. 看它先搜票价、再调计算器——和上面代码做的是同一件事，只是平台替你写好了那 40 行。

📸 低代码界面随版本变化，按"找到对应功能"操作；上线版会配截图。

这是我的 function calling 代码（贴上面那段）。请帮我再加一个『查询城市天气』的工具：给出工具的 JSON schema 定义、对应的 Python 函数（先用假数据），以及在分发处怎么接上。