前言：为什么我会学这个问题

之前我写了个 AI 助手，让它帮我查天气、调接口，它时而正常时而发疯——有时候返回纯文本，有时候乱格式，有时候干脆不调用工具。后来我发现问题不在模型，在于我混淆了 Function Call 和 Agent 工具调用 这两个完全不同机制。这篇就来把它们彻底讲清楚。

前文关联：这是《AI Agent 工程实践》系列的开篇，我们从最基础的概念区分开始。

一、问题背景

做 AI 项目时，大家都在说"让 AI 调用工具"，但实现方式分两种：

• Function Call（函数调用）：模型原生能力，结构化输出，固定格式
• Agent 工具调用（Tool Use by Agent）：Agent 框架的能力，动态决策，可编排

大多数教程把它们混为一谈，导致代码写得四不像。

二、核心概念

Function Call 是什么？

Function Call 是 LLM 的内置能力。模型收到用户问题后，直接在响应中输出一个结构化的函数调用请求，格式类似：

{
  "name": "get_weather",
  "arguments": {"city": "北京"}
}

这个过程模型一次输出完成，不存在"思考要不要调用"的环节。

Agent 工具调用是什么？

Agent 工具调用是 Agent 框架（比如 LangChain、LangGraph）里的能力。Agent 会：

1. 思考（Think）：模型输出"我应该调用工具"
2. 决定调用哪个（Action）：从多个工具中选择
3. 执行（Execute）：调用工具
4. 观察结果（Observation）：把结果传回模型
5. 再次思考：模型决定下一步

这是一个循环，不是一次性的。

核心区别

	Function Call	Agent 工具调用
本质	模型原生能力	Agent 框架编排
决策	一次性决策	循环决策
工具数量	通常单工具	多工具可选
灵活性	低，格式固定	高，可编排
适用场景	简单、结构化任务	复杂、多步骤任务

三、错误理解 / 常见误区

误区1：Function Call 就是 Agent

错。Function Call 只是让模型输出结构化 JSON，不包含执行逻辑。你还得自己解析 JSON、调用函数、把结果传回去。

误区2：Agent 必须用 Function Call

错。Agent 可以用 Function Call，也可以用 prompt engineering（比如在思维链里写"当你需要查天气时，直接在回答里插入 TOOL_CALL: get_weather"）。Function Call 只是实现工具调用的一种方式。

误区3：Function Call 比 Agent 简单，所以功能也弱

不完全对。Function Call 的"简单"指的是调用方式简单，不代表能力弱。很多复杂任务可以用多工具的 Function Call 实现。

误区4：Agent 调用工具后模型就完成了

错。工具返回结果后，Agent 会把这个结果再传回模型，让模型继续决定下一步。这就是 Agent 的"循环"机制。

四、正确实现思路

Function Call 实现步骤

1. 定义工具 schema（符合 OpenAI 格式）
2. 把工具 schema 和用户问题一起发给模型
3. 解析模型返回的函数调用
4. 执行实际函数
5. 把函数结果和原问题一起发回模型，让它组织最终回答

# 伪代码
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取城市天气",
            "parameters": {
                "type": "object",
                "properties": {"city": {"type": "string"}}
            }
        }
    }
]

response = openai.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "北京天气怎么样？"}],
    tools=tools
)

# 解析 Function Call
tool_calls = response.choices[0].message.tool_calls
if tool_calls:
    for call in tool_calls:
        if call.function.name == "get_weather":
            result = get_weather(call.function.arguments["city"])
            # 把结果发回模型，获取最终回答
            final = openai.chat.completions.create(
                model="gpt-4",
                messages=[
                    {"role": "user", "content": "北京天气怎么样？"},
                    response.choices[0].message,
                    {"role": "tool", "tool_call_id": call.id, "content": result}
                ]
            )

Agent 工具调用实现步骤

1. 定义 Agent Prompt（包含工具描述、决策逻辑）
2. Agent 接收用户问题，输出思考 + 工具调用
3. 执行工具，把结果返回给 Agent
4. Agent 继续思考，直到决定不再调用工具
5. 返回最终答案

# LangChain Agent 伪代码
from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain.tools import tool

@tool
def get_weather(city: str):
    """获取城市天气"""
    return f"{city}今天晴，25度"

tools = [get_weather]

prompt = """你是一个助手。
当你需要查天气时，调用 get_weather 工具。
其他情况直接回答。"""

agent = create_openai_functions_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

result = executor.invoke({"input": "北京天气怎么样？"})
# Agent 会自动：思考 -> 调用工具 -> 拿到结果 -> 再思考 -> 返回答案

五、代码示例

Function Call 完整示例（Python）

import json
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

# 定义工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，如：北京、上海"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

def get_weather(city: str) -> str:
    """模拟天气查询"""
    weather_data = {"北京": "晴，25°C", "上海": "雨，18°C"}
    return weather_data.get(city, "未知")

def call_function(name: str, args: dict) -> str:
    """执行函数调用"""
    if name == "get_weather":
        return get_weather(**args)
    return "未知函数"

# 第一轮：用户提问，模型决定调用工具
messages = [{"role": "user", "content": "北京今天天气怎么样？"}]

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=messages,
    tools=tools,
    tool_choice="auto"
)

assistant_msg = response.choices[0].message
print("模型响应:", assistant_msg)

# 解析并执行函数调用
if assistant_msg.tool_calls:
    tool_call = assistant_msg.tool_calls[0]
    func_name = tool_call.function.name
    func_args = json.loads(tool_call.function.arguments)
    
    print(f"\n执行函数: {func_name}({func_args})")
    func_result = call_function(func_name, func_args)
    print(f"函数返回: {func_result}")
    
    # 第二轮：把函数结果发回模型，获取最终回答
    messages.append(assistant_msg)
    messages.append({
        "role": "tool",
        "tool_call_id": tool_call.id,
        "content": func_result
    })
    
    final_response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=messages
    )
    
    print("\n最终回答:", final_response.choices[0].message.content)

六、运行结果 / 流程图

运行结果：

模型响应: ChatCompletionMessage(content=None, tool_calls=[ChatCompletionMessageToolCall(id='...', function=Function(arguments='{"city": "北京"}', name='get_weather'), type='function')])

执行函数: get_weather({'city': '北京'})
函数返回: 北京今天晴，25°C

最终回答: 北京今天天气晴朗，气温约25摄氏度，适合外出活动。

七、项目中怎么用

实际场景：

• 简单任务（查天气、算数学）：用 Function Call 就够了，一次调用搞定
• 复杂任务（多步骤分析、多工具组合）：用 Agent 框架

最佳实践：

1. 不要过度设计：能 Function Call 解决就别上 Agent
2. 工具描述要清晰：模型靠 description 决定调用哪个工具
3. 错误处理：工具执行可能失败，要有重试和降级方案
4. 避免循环调用：Agent 里设置 max_iterations 防止死循环

系列关联：本文介绍了 Agent 工具调用的基础。下一篇《LangGraph 中 State、Node、Edge 是怎么协作的？》将深入讲 Agent 的核心组件，理解这三个概念是理解 LangGraph 工作原理的基础。

八、总结 + 下篇预告

核心要点：

• Function Call 是模型原生能力，一次性输出结构化函数调用
• Agent 工具调用是循环过程：思考→决策→执行→观察→再思考
• Function Call 适合简单单步任务，Agent 适合复杂多步骤任务
• 两者不是替代关系，是不同场景的选择

下篇预告：下一篇我们将探讨《LangGraph 中 State、Node、Edge 是怎么协作的？》，深入理解 LangGraph 的三大核心概念，理解它们如何配合实现复杂的 Agent 流程。也是我个人学习的记录。

延伸阅读：

• OpenAI Function Call 文档
• LangChain Agent 概念指南