实战进阶:从零构建你的第一个大模型 AI Agent(智能体):基于华为云 API 与 Function Calling 技术
一、 前言
在过去的文章中,我们讨论的很多都是“单兵作战”的问答型 AI(即用户问,大模型根据知识库或自身权重答)。但在真实的企业业务中,用户往往需要 AI 帮他去干活,例如:
“帮我查一下今天北京的机票,顺便订一张明天去上海的。”
“帮我从华为云 OBS 里把昨天那张故障图找出来,并调用分析接口生成报告。”
如果只靠大模型死记硬背是无法完成这些动态任务的。这就需要引入目前 AI 领域最火的概念——AI Agent(智能体)。而支撑 Agent 能够操作外部世界的底层核心技术,就是 Function Calling(函数定义与调用)。
今天,我们就用 Python 来实现一个具备工具调用能力的智能体原型!
────────────────────────────────────
二、 核心工作原理:大模型是如何“用工具”的?
AI Agent 拥有工具的核心交互流程非常优雅:
1. 开发者定义工具(Tool Schema):你在代码中向大模型注册几个可用的函数(例如 get_weather(city) 或 query_database(sql)),并用 JSON 详细描述它们的作用和参数。
2. 用户下达指令:“北京今天天气怎么样?”
3. 大模型思考并决策(Reasoning):大模型发现自己不知道北京天气,但它阅读了你注册的工具列表,发现 get_weather 可以解决这个问题。于是,大模型不再直接回答用户,而是吐出一个特定的结构化指令:“请帮我执行 get_weather(city='北京')”。
4. 本地执行(Execution):你的代码捕获到大模型的这个指令,真正去调用天气 API(或华为云服务),拿到结果。
5. 最终总结(Synthesis):你的代码把天气结果再次喂给大模型,大模型组织语言对用户说:“北京今天晴,气温 25 度。”
────────────────────────────────────
三、 核心代码实战:实现一个能自主查天气与算术的 Agent
以下是一个精简的 Python 实现脚本,模拟了 Function Calling 的全过程(以兼容 OpenAI 或华为云 ModelArts 上的 Function Calling 接口为例):
import json
import requests
# ==================== 1. 定义本地真实可执行的工具函数 ====================
def get_current_weather(location: str, unit: str = "celsius") -> str:
"""获取指定城市的天气状况(模拟真实的外部 API 调用)"""
# 在实际项目中,这里可以替换为调用华为云气象 API 或高德地图 API
print(f"\n[系统底层日志] 正在调用真实天气 API,查询城市: {location}")
# 模拟返回数据
weather_data = {
"北京": {"temperature": "22", "condition": "晴朗", "unit": unit},
"深圳": {"temperature": "31", "condition": "多云", "unit": unit}
}
result = weather_data.get(location, {"temperature": "未知", "condition": "暂无数据"})
return json.dumps(result, ensure_ascii=False)
# 将所有可用工具放入字典映射中
available_tools = {
"get_current_weather": get_current_weather
}
# ==================== 2. 配置华为云大模型与工具 Schema ====================
MODEL_API_URL = "https://your-modelarts-endpoint-url.com/v1/chat/completions"
API_TOKEN = "您的华为云-IAM-Token"
def run_agent_with_tools(user_prompt: str):
headers = {
"Content-Type": "application/json",
"X-Auth-Token": API_TOKEN
}
# 定义大模型可以调用的工具列表(JSON Schema 规范)
tools_definition = [
{
"type": "function",
"function": {
"name": "get_current_weather",
"description": "获取给定城市的当前天气状况",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市名称,例如:北京、深圳"
}
},
"required": ["location"]
}
}
}
]
messages = [{"role": "user", "content": user_prompt}]
payload = {
"model": "your-model-name",
"messages": messages,
"tools": tools_definition,
"tool_choice": "auto" # 让大模型自主决定是否使用工具
}
print(f"用户输入: {user_prompt}")
print("=== 第一步:大模型进行思考与意图识别 ===")
try:
response = requests.post(MODEL_API_URL, headers=headers, json=payload, timeout=30)
if response.status_code != 200:
print(f"请求失败: {response.text}")
return
response_data = response.json()
message = response_data['choices'][0]['message']
# 检查大模型是否决定调用工具
if "tool_calls" in message and message["tool_calls"]:
tool_call = message["tool_calls"][0]
function_name = tool_call['function']['name']
function_args = json.loads(tool_call['function']['arguments'])
print(f"大模型决策结果:决定调用工具 【{function_name}】")
print(f"解析出的传入参数: {function_args}")
# 执行本地对应函数
if function_name in available_tools:
tool_function = available_tools[function_name]
tool_result = tool_function(**function_args)
print(f"工具执行返回结果: {tool_result}")
# === 第二步:将工具执行结果回传给大模型,生成最终回答 ===
print("\n=== 第二步:将工具结果回传大模型,生成最终回复 ===")
messages.append(message) # 把大模型的 tool_call 请求追加进历史
messages.append({
"role": "tool",
"tool_call_id": tool_call['id'],
"name": function_name,
"content": tool_result
})
payload["messages"] = messages
# 再次请求大模型
final_response = requests.post(MODEL_API_URL, headers=headers, json=payload, timeout=30)
final_message = final_response.json()['choices'][0]['message']
print(f"AI 最终回复: {final_message['content']}")
else:
print(f"错误:未找到名为 {function_name} 的本地工具函数。")
else:
# 如果大模型认为不需要调用工具,直接返回普通回答
print(f"AI 直接回复: {message['content']}")
except Exception as e:
print(f"Agent 运行异常: {e}")
# ==================== 4. 主程序测试 ====================
if __name__ == "__main__":
# 测试一句需要调用外部工具才能回答的问题
run_agent_with_tools("请帮我查一下北京今天的天气怎么样?")
────────────────────────────────────
四、 生产环境落地 Agent 的架构建议
当把 AI Agent 从本地测试推向华为云企业级生产环境时,建议考虑以下架构升级:
1. 工具沙箱安全(Sandboxing):Agent 具备调用工具甚至执行代码的能力。如果工具包含“删除数据库”或“执行 Shell 命令”,必须在华为云安全容器(如 CCE 隔离容器)中进行沙箱隔离,防止大模型被“提示词注入(Prompt Injection)”攻击导致删库跑路。
2. 长任务与记忆管理(Memory & Long-running):复杂的 Agent 任务可能需要几十步循环迭代(ReAct 框架)。建议结合华为云分布式缓存 Redis 记录 Agent 的上下文记忆和运行状态。
3. 结合华为云 API 网关:将企业的各种内部系统(ERP、CRM、工单系统)封装为标准的 API 并注册到华为云 APIG 中,让 Agent 可以安全、可控地调用企业全量数字资产。
────────────────────────────────────
五、 总结
通过今天的番外篇实战,我们揭开了AI Agent 与 Function Calling(函数调用)的面纱,打通了“用户意图 $\rightarrow$ 大模型推理决策 $\rightarrow$ 本地工具执行 $\rightarrow$ 华为云服务联动 $\rightarrow$ 最终结果反馈”的智能体全链路。
大模型的本质是“大脑”,而工具和 API 就是它的“手脚”。当 AI 拥有了手脚,真正的企业级智能自动化时代才算真正到来。
如果你在配置 Function Calling 的 JSON Schema 或对接华为云大模型 API 时遇到问题,欢迎在评论区留言交流!
- 点赞
- 收藏
- 关注作者
评论(0)