工具调用核心循环逻辑分段逐行详细代码讲解

分段逐行详细代码讲解这段是工具调用核心循环逻辑当大模型想要调用工具时解析工具参数、本地执行工具、把工具结果塞回对话上下文再二次请求大模型生成最终回答不需要调用工具就直接输出模型原文。完整代码分段拆分python运行# 判断模型是否返回了工具调用请求 if finish_reason tool_calls: # 1. 取出模型返回的助手消息里面携带tool_calls工具调用信息 assistant_message response.choices[0].message # 把模型这条带工具调用的消息加入对话历史保存上下文 messages.append(assistant_message) # 遍历本次所有要调用的工具支持一次调用多个工具 for tool_call in assistant_message.tool_calls: # 获取要调用的工具名称比如 check_calendar name tool_call.function.name # 工具参数是JSON字符串转成Python字典 args json.loads(tool_call.function.arguments) # 执行本地工具函数拿到工具返回结果 result execute_tool(name, args) # 将工具执行结果封装成标准tool角色消息追加到对话列表 messages.append({ role: tool, # 角色固定为tool代表工具返回内容 tool_call_id: tool_call.id,# 绑定本次工具调用唯一ID让模型对应上哪次调用的结果 content: result, # 工具运行得到的文本结果 }) # 2. 携带完整上下文用户提问模型工具请求工具返回数据再次请求大模型 final_response client.chat.completions.create( modelopenai/gpt-4.1-mini, messagesmessages, toolstools, ) # 打印模型整合工具数据后生成的最终自然语言回答 print(final_response.choices[0].message.content) # 模型不需要调用任何工具直接输出模型回答即可 else: print(response.choices[0].message.content)逐块深度拆解1. 条件判断if finish_reason tool_calls:finish_reason是大模型返回的结束标识只有两种核心值tool_calls模型判断需要调用工具不会直接给答案stop模型不需要工具直接输出完整回答。 本行是整个工具流程的开关。2. 保存模型的工具调用消息python运行assistant_message response.choices[0].message messages.append(assistant_message)response.choices[0].message模型输出的助手消息对象里面包含.tool_calls数组必须把这条消息存入messages对话列表后续大模型才能看到是它自己发起了工具调用上下文不能断裂。3. 循环遍历所有工具调用python运行for tool_call in assistant_message.tool_calls:模型支持一次性请求多个工具所以用循环批量处理单次提问一般只会生成 1 个 tool_call。3.1 提取工具名 解析参数python运行name tool_call.function.name args json.loads(tool_call.function.arguments)tool_call.function.name工具名称匹配你定义的check_calendartool_call.function.arguments是一段 JSON 字符串不能直接当字典用json.loads()把 JSON 文本转为 Python 字典才能解包传给工具函数。3.2 本地执行工具python运行result execute_tool(name, args)调用分发函数根据工具名执行对应本地逻辑查询日历、发邮件等拿到工具返回的文本结果。3.3 把工具结果写入对话上下文python运行messages.append({ role: tool, tool_call_id: tool_call.id, content: result, })这是接口强制规范三个字段缺一不可role: tool标记这条消息是工具返回的数据区分用户 / 助手消息tool_call_id每个工具调用自带唯一 id用来绑定 “哪次工具调用产出的这条结果”多工具并发时防止模型混淆content工具返回的原始文本内容。4. 二次请求模型生成最终回答python运行final_response client.chat.completions.create( modelopenai/gpt-4.1-mini, messagesmessages, toolstools, ) print(final_response.choices[0].message.content)此时messages完整链路 系统提示 → 用户问题 → 模型发起工具调用 → 工具返回数据 大模型读取工具拿到的真实数据整理成通顺自然的最终回答并打印。5. else 分支无需工具python运行else: print(response.choices[0].message.content)当finish_reasonstop代表模型不需要查询任何工具直接打印模型原始回答即可不用走工具执行流程。完整执行流程举例用户输入我今天有什么日程第一次调用 qwen-turbo模型识别需要查日历返回finish_reasontool_calls代码解析出工具check_calendar和日期参数本地运行模拟日历函数得到日程文本将工具结果加入对话列表携带全部对话再次请求通义千问模型结合日程数据输出自然回答你今天上午10点有团队晨会下午2点要看牙医。补充关键注意点每次工具结果必须追加进messages不能丢弃否则模型看不到工具数据tool_call_id必须和本次循环的tool_call.id保持一致否则接口会报错工具参数一定用json.loads解析直接使用会报类型错误代码中import json建议放到文件头部不要写在循环内部示例仅演示功能工程代码需调整。