​没吃透 Function Calling？难怪你不理解 AI Agent 为何非来不可！

import jsonimport requestsimport osfrom openai import OpenAIfrom dotenv import load_dotenv, find_dotenv_ = load_dotenv(find_dotenv())import sqlite3api_url = os.getenv('GUIJI_API_URL')token = os.getenv('GUIJI_API_KEY')client = OpenAI(    api_key=token, # 从 https://cloud.siliconflow.cn/i/nRDJFg4z 获取    base_url="https://api.siliconflow.cn/v1")def create_and_populate_database():    # 连接到本地数据库文件    conn = sqlite3.connect('SportsEquipment.db')  # 指定文件名来保存数据库    cursor = conn.cursor()    # 检查是否存在名为 'products' 的表，如果不存在则创建    cursor.execute("SELECT name FROM sqlite_master WHERE type='table' AND name='products';")    if cursor.fetchone() is None:        # 创建表        cursor.execute('''        CREATE TABLE products (            product_id TEXT,            product_name TEXT,            description TEXT,            specifications TEXT,            usage TEXT,            brand TEXT,            price REAL,            stock_quantity INTEGER        )        ''')        # 数据列表，用于插入表中        products = [            ('001', '足球', '高品质职业比赛用球，符合国际标准', '圆形，直径22 cm', '职业比赛、学校体育课', '耐克', 120, 50),            ('002', '羽毛球拍', '轻量级，适合初中级选手，提供优秀的击球感受', '碳纤维材质，重量85 g', '业余比赛、家庭娱乐', '尤尼克斯', 300, 30),            ('003', '篮球', '室内外可用，耐磨耐用，适合各种天气条件', '皮质，标准7号球', '学校、社区运动场', '斯伯丁', 200, 40),            ('004', '跑步鞋', '适合长距离跑步，舒适透气，提供良好的足弓支撑', '多种尺码，透气网布', '长跑、日常训练', '阿迪达斯', 500, 20),            ('005', '瑜伽垫', '防滑材料，厚度适中，易于携带和清洗', '长180cm，宽60cm，厚5mm', '瑜伽、普拉提', '曼达卡', 150, 25),            ('006', '速干运动衫', '吸汗快干，适合各种户外运动，持久舒适', 'S/M/L/XL，多色可选', '运动、徒步、旅游', '诺斯脸', 180, 60),            ('007', '电子计步器', '精确计步，带心率监测功能，蓝牙连接手机应用', '可充电，续航7天', '日常健康管理、运动', 'Fitbit', 250, 15),            ('008', '乒乓球拍套装', '包括两只拍子和三个球，适合家庭娱乐和业余训练', '标准尺寸，拍面防滑处理', '家庭、社区', '双鱼', 160, 35),            ('009', '健身手套', '抗滑耐磨，保护手部，适合各种健身活动', '多种尺码，通风设计', '健身房、户外运动', 'Under Armour', 120, 50),            ('010', '膝盖护具', '减少运动伤害，提供良好的支撑和保护，适合篮球和足球运动', '弹性织物，可调节紧度', '篮球、足球及其他运动', '麦克戴维', 220, 40)        ]        # 插入数据到表中        cursor.executemany('''        INSERT INTO products (product_id, product_name, description, specifications, usage, brand, price, stock_quantity)        VALUES (?, ?, ?, ?, ?, ?, ?, ?)        ''', products)        # 提交更改以确保数据被保存在文件中        conn.commit()    # 检索并打印所有记录以验证插入    cursor.execute('SELECT * FROM products')    all_rows = cursor.fetchall()        conn.close()  # 关闭连接以释放资源    return all_rowsdef query_by_product_name(product_name):    """    根据产品名称查询产品信息。        该函数通过接收一个产品名称作为参数，然后连接到SQLite数据库，    执行SQL查询以查找名称中包含给定字符串的产品，最后返回所有匹配的产品记录。        参数:    product_name (str): 要查询的产品名称。        返回:    list: 匹配的产品记录列表。    """    # 连接 SQLite 数据库    conn = sqlite3.connect('SportsEquipment.db')    cursor = conn.cursor()    # 使用SQL查询按名称查找产品。'%'符号允许部分匹配。    cursor.execute("SELECT * FROM products WHERE product_name LIKE ?", ('%' + product_name + '%',))    # 获取所有查询到的数据    rows = cursor.fetchall()    # 关闭连接    conn.close()      return rows    def read_store_promotions(product_name):    # 指定优惠政策文档的文件路径    file_path = 'store_promotions.txt'        try:        # 打开文件并按行读取内容        with open(file_path, 'r', encoding='utf-8') as file:            promotions_content = file.readlines()                # 搜索包含产品名称的行        filtered_content = [line for line in promotions_content if product_name in line]                # 返回匹配的行，如果没有找到，返回一个默认消息        if filtered_content:            return ''.join(filtered_content)        else:            return "没有找到关于该产品的优惠政策。"    except FileNotFoundError:        # 文件不存在的错误处理        return "优惠政策文档未找到，请检查文件路径是否正确。"    except Exception as e:        # 其他潜在错误的处理        return f"读取优惠政策文档时发生错误: {str(e)}"def sale_function_call_mane_tool_test():    """    测试销售相关函数调用流程的演示函数。        该函数模拟用户与系统的交互过程，支持通过自然语言提问触发预定义函数调用。    实现流程：    1. 维护对话消息历史    2. 定义可调用工具集    3. 循环处理用户输入    4. 调用大模型进行意图识别    5. 处理函数调用请求    6. 生成最终响应        参数：无    返回值：无（直接通过控制台输出交互结果）    """    # 消息上下文存储器，用于维护对话历史记录    messages = []  # 存储对话历史的上下文信息列表    # 预定义工具集合，包含产品查询和促销读取两个核心功能    tools = [        {            "type": "function",            "function": {                "name": "query_by_product_name",                "description": "查询数据库以获取与指定产品名称匹配或包含该名称的产品列表。此功能可用于通过在线平台或客户支持界面帮助客户按名称查找产品或销售的商品。",                "parameters": {                    "type": "object",                    "properties": {                        "product_name": {                            "type": "string",                            "description": "要搜索的产品名称。该搜索不区分大小写，并支持部分匹配。"                        }                    },                    "required": ["product_name"]                }            }        },        {            "type": "function",            "function": {                "name": "read_store_promotions",                "description": "读取门店促销文档以查询与指定产品名称相关的促销活动。本功能通过扫描文本文档，检索所有包含该产品名称的促销条目。",                "parameters": {                    "type": "object",                    "properties": {                        "product_name": {                            "type": "string",                            "description": "要搜索的促销文档中的产品名称。如果找到匹配项，该函数将返回促销详情。"                        }                    },                    "required": ["product_name"]                }            }        }    ]    # 工具名称与实际函数的映射关系，用于动态调用本地实现    available_functions = {"query_by_product_name": query_by_product_name, "read_store_promotions":read_store_promotions}    # 主交互循环，持续处理用户输入直到收到退出指令    while True:        prompt = input('\n提出一个问题： ')        if prompt.lower() == "退出":            break  # 如果输入的是"退出"，则结束循环                # 将用户提问加入对话上下文        messages.append({'role': 'user', 'content': prompt})                # 调用大模型进行意图分析和函数调用决策        completion = client.chat.completions.create(            model="Qwen/Qwen3-32B",             messages=messages,            tools=tools,              parallel_tool_calls=False  # 这里需要格外注意        )                # 解析模型返回的响应内容        response = completion.choices[0].message        tool_calls = completion.choices[0].message.tool_calls                # 处理函数调用逻辑分支        if tool_calls:            # 提取函数调用参数并执行对应的本地函数            function_name = tool_calls[0].function.name            function_args = json.loads(tool_calls[0].function.arguments)                        # 执行实际函数并获取结果            function_response = available_functions[function_name](**function_args)                        # 将函数调用记录和结果加入对话上下文            messages.append(response)              messages.append(                    {                        "role": "tool",                        "name": function_name,                        "content": str(function_response),                        "tool_call_id": tool_calls[0].id,                    }                )                          # 二次调用模型生成最终自然语言响应            second_response = client.chat.completions.create(                model="Qwen/Qwen3-32B",                 messages=messages,            )              # 获取最终结果            final_response = second_response.choices[0].message.content            messages.append({'role': 'assistant', 'content': final_response})            print(final_response)        else:            # 直接输出模型生成的普通响应            print(response.content)            messages.append({'role': 'assistant', 'content': response.content})if __name__ == "__main__":      sale_function_call_mane_tool_test()#你家卖篮球吗？现在有什么优惠？