Function的调用时Agent实现很重要的一步，只有 理解了function call这个原理才可以更好的创建Agent。
我将不使用任何langchain等框架或者coze等平台，从0开始构建一个可以调用function的Agent。
源代码已经上传github：
https://github.com/astordu/agent_from_scratch
一、场景
Agent的目标：可以回答关于天气的问题。
用到的function：调用某地方的天气情况，并且反馈
流程：
1.思考： 用户输入问题，模型先对问题进行分析
2.行动： 如果问到了天气问题，则分析出需要调用的function以及function要传入的参数
3.响应：function返回后，将答案整理好回复给用户。
函数自定：
- 我们先定义一个获取天气的函数（属于Tools中的一个，这里用于演示，不做真实调用）：
def get_weather(location):
return "天气晴朗"- 再定义一个大模型的发送信息的方法：
def send_messages(messages):
response = client.chat.completions.create(
model="deepseek-chat",
messages=messages
)
return response.choices[0].message
client = OpenAI(
api_key="<你的deepseek的key>",
base_url="https://api.deepseek.com",
)二、设计思路
从“用户提出问题”到“思考”到“响应”其实是调用了多次LLM模型。
所以我们要求模型按照顺序去调用LLM：
你在运行一个“思考”，“工具调用”，“响应”循环。每次只运行一个阶段
1.“思考”阶段：你要仔细思考用户的问题
2.“工具调用阶段”：选择可以调用的工具，并且输出对应工具需要的参数
3.“响应”阶段：根据工具调用返回的影响，回复用户问题。
已有的工具如下：
get_weather：
e.g. get_weather:天津
返回天津的天气情况
Example：
question：天津的天气怎么样？
thought：我应该调用工具查询天津的天气情况
Action：
{
"function_name":"get_response_time"
"function_params":{
"location":"天津"
}
}
调用Action的结果：“天气晴朗”
Answer:天津的天气晴朗上边的逻辑正好可以当作system的提示语：
system="""
你在运行一个“思考”，“工具调用”，“响应”循环。每次只运行一个阶段
1.“思考”阶段：你要仔细思考用户的问题
2.“工具调用阶段”：选择可以调用的工具，并且输出对应工具需要的参数
3.“响应”阶段：根据工具调用返回的影响，回复用户问题。
已有的工具如下：
get_weather：
e.g. get_weather:天津
返回天津的天气情况
Example：
question：天津的天气怎么样？
thought：我应该调用工具查询天津的天气情况
Action：
{
"function_name":"get_response_time"
"function_params":{
"location":"天津"
}
}
调用Action的结果：“天气晴朗”
Answer:天津的天气晴朗
"""第一步，向模型提问一个问题
question="北京天气怎么样"
messages = [{"role": "system", "content": system_prompt},
{"role": "user", "content": question}]
message = send_messages(messages)
print(f"Model-1th>\n {message.content}")返回值：
Model-1th>
thought：我应该调用工具查询北京的天气情况
Action：
{
"function_name":"get_weather",
"function_params":{
"location":"北京"
}
}可以看出模型已经进行了思考，并且返回了可以调用的工具了
第二步，如果从“第一步”的返回值中可以提取调用工具的json
第三步，调用真实工具,获取真实结果(这里是伪代码)
invoke_function(function_name,function_params)
第四步，将工具调用的结果追加到message中，一起给到模型，让它总结回答：
messages.append({"role": "assistant", "content": f"调用Action的结果:{tianqi}"})
message = send_messages(messages)
print(f"Model-2th>\n {message.content}")返回值：
Model-2th>
北京今天的天气晴朗。三、tools功能的演进
随着LLM调用工具的普及，这种调用方法集成在大模型api接口中就变得越重要。
大部分模型厂商已经支持了function call，下面是deepseek工具调用的一个例子[1]：
response = client.chat.completions.create(
model="deepseek-chat",
messages=messages,
tools=tools
)其中 tools是可以供模型选择的工具。
写在最后
从0开发写function的逻辑，需要让模型思考、观察、行动。其实这个流程的循环其实就是ReAct框架的原理。[2]
参考文章：
[1] deepseek function文档：
https://api-docs.deepseek.com/zh-cn/guides/function_calling
[2]# 讓 LLM 更好用的方法：ReAct prompting:
https://edge.aif.tw/application-react-prompting/