我不允许谁还不清楚function call在AI-Agent领域中流砥柱的地位

前文提要：Ollama更傻瓜式的大模型本地部署方式吗 ？" data-itemshowtype="0" linktype="text" data-linktype="2">还有比ollama更傻瓜式的大模型本地部署方式吗 ？

1.function calling^[1] 底层工作原理

🤖大模型重塑了我们与软件应用的交互方式， 其中最重要的特性就是 function calling 。

一种利用结构化输入/输出在LLM和编程应用之间建立桥梁的方式。

不管是当前火热的AI-Agent还是MCP，了解function calling底层工作原理都至关重要，特别是request和response payload。

回顾上文我们与qwen大模型的对话：

what is the temperature in the capital of china today？

一个由LLM驱动的应用， 回答这个问题，应用与LLM经历了三次对话。

① 第一次请求payload：

• message：标准的历史对话， 提供上下文context
• tools：一系列的工具函数定义， 提供给LLM来选择

LLM的响应payload：

• tool_calls.function.name： LLM选中的工具函数get_currentDate
• tool_calls.id： 由LLM为这个函数指定的id，后面会用到

② 第二次request：

• messages.role.assistant: 告诉LLM我们这次请求包含了上次function calling的结果
• messages.role.tool： 上次function calling执行的结果2026-01-24

LLM的响应payload：

如第一次类似： 本例也有tool_calls:包含LLM选中的函数get_temperature() 和所有的参数beijing2026-01-24。

③ 应用最后一次请求，包含所有信息

LLM推理认为不再需要外部工具，不再返回tool_calls,给出结合外部工具的对话结果。

从三次请求对话来看， LLM在三次对话的响应中体现了它的思考和逻辑步骤，应用持续被LLM引导做出行动，同时LLM也持续对应用的行为做出进一步观察和思考。

2. agent的实现原理

大模型是 AI 的大脑，其核心是理解自然语言，并做出回应，(文本)大模型本身只能接收一段文本，然后输出一段文本。

而当你希望大模型能使用一些工具自行获取所需的信息、执行一些动作，就需要使用 Tool 来实现了，拥有了 Tool 的大模型就像是拥有了手脚，可以和当下已有的 IT 基础设施进行交互。

RAG给LLM装上实时知识外挂， 通过将信息检索与文本生成结合，让模型能引用外部权威信息生成回答，既保证了时效性，又提升了准确性。

字节开源的Eino标榜的优势在于：

1. LangChain，LlamaIndex等主流框架虽然起源自python强大的AI生态，但是也继承了python“弱类型检查”和“长期维护成本高”的诟病。 Eino作为golang下的开源agent开发框架，规避了这一问题。

2. 另一方面， 借助字节系在agent领域的工程化实践，Eino既封装了领域内不变的通用核心和最佳实践，也能敏捷的反映业内技术动向。

Eino^[2]框架结构图：

Eino 有三大稳定内核： compose编排、components组件，common公共库。

组件一抹多,是原子能力的最小单位， 编排对这些组件进行组合、串连。

3.  中国首都今天的天气怎么样? 我母鸡啊

使用Eino框架实现本文的题目：

what is  the temperature in the capital of china today？

按照我们的分析， 从LLM的视角，要回答这个问题，经历了“思考-行动-观察-思考” 循环， 这是一个ReAct模式的agent。

下面基于阿里百炼千问大模型，实现了天气温度对话，请自行从阿里百炼平台申请的apiKey替换到54行。

package main

import (
"context"
"fmt"
"log"
"os"
"time"

"github.com/cloudwego/eino-ext/components/model/qwen"
"github.com/cloudwego/eino/components/tool"
"github.com/cloudwego/eino/components/tool/utils"
"github.com/cloudwego/eino/compose"
"github.com/cloudwego/eino/schema"
)

// what is  the temperature in the capital of china today

type weatherReqParam struct {
 City string `json:"city"  jsonschema:"description=the name of the city"`
 Date string `json:"date"  jsonschema:"description=the date in the format of YYYY-MM-DD"`
}

func GetTemperatureFunc(_ context.Context, p weatherReqParam) (float64, error) {
 // 这里直接mock一个温度值，实际应用中应该替换为真实的API调用
return 32, nil
}

func GetCurrentDateFunc(_ context.Context, _ struct{}) (string, error) {
return time.Now().Format("2006-01-02"), nil
}

func of[T any](t T) *T {
return &t
}

func main() {
 getDateTool, err := utils.InferTool("get_currentDate", "Get the current date", GetCurrentDateFunc)
if err != nil {
  panic(err)
 }
 getTemperatureTool, err := utils.InferTool("get_temperature", "Get the temperature in the capital of the city", GetTemperatureFunc)
if err != nil {
  panic(err)
 }

 // 初始化 tools
 weatherTools := []tool.BaseTool{
  getDateTool,
  getTemperatureTool,
 }

 apiKey := os.Getenv("DASHSCOPE_API_KEY")
 apiKey = "{}"  // 在阿里百炼平台申请api-key
 modelName := os.Getenv("MODEL_NAME")
 modelName = "qwen3-max"
 chatModel, err := qwen.NewChatModel(context.Background(), &qwen.ChatModelConfig{
  BaseURL:     "https://dashscope.aliyuncs.com/compatible-mode/v1",
  APIKey:      apiKey,
  Timeout:     0,
  Model:       modelName,
  MaxTokens:   of(2048),
  Temperature: of(float32(0.7)),
  TopP:        of(float32(0.7)),
 })
if err != nil {
  log.Fatalf("NewChatModel of qwen failed, err=%v", err)
 }

 var ctx = context.Background()
 // 获取工具信息并绑定到 ChatModel
 toolInfos := make([]*schema.ToolInfo, 0, len(weatherTools))
for _, tool := range weatherTools {
  info, err := tool.Info(ctx)
if err != nil {
   log.Fatal(err)
  }
  toolInfos = append(toolInfos, info)
 }
 err = chatModel.BindTools(toolInfos)
if err != nil {
  log.Fatal(err)
 }

 // 创建 tools 节点
 weatherToolsNode, err := compose.NewToolNode(context.Background(), &compose.ToolsNodeConfig{
  Tools: weatherTools,
 })
if err != nil {
  log.Fatal(err)
 }

 // 构建基于 Graph 的 Agent，实现 ReAct 模式（自动执行工具并生成自然语言回复）

 // 定义状态，用于保存对话历史
type appState struct {
  messages []*schema.Message
 }

 graph := compose.NewGraph[[]*schema.Message, *schema.Message](
  compose.WithGenLocalState(func(ctx context.Context) *appState {
   return &appState{}
  }),
 )

 // 添加 ChatModel 节点
 err = graph.AddChatModelNode("qwen_chat_model", chatModel,
  compose.WithStatePreHandler(func(ctx context.Context, input []*schema.Message, state *appState) ([]*schema.Message, error) {
   // 如果是第一次进入（从 Start），将输入（用户问题）添加到历史
   if len(state.messages) == 0 {
    state.messages = append(state.messages, input...)
   }
   // 始终将完整的历史记录作为 ChatModel 的输入
   return state.messages, nil
  }),
  compose.WithStatePostHandler(func(ctx context.Context, output *schema.Message, state *appState) (*schema.Message, error) {
   // 将 ChatModel 的输出（可能是工具调用或最终回复）添加到历史
   state.messages = append(state.messages, output)
   return output, nil
  }),
 )
if err != nil {
  log.Fatal(err)
 }

 // 添加 Tools 节点
 err = graph.AddToolsNode("agent_tools", weatherToolsNode,
  compose.WithStatePostHandler(func(ctx context.Context, output []*schema.Message, state *appState) ([]*schema.Message, error) {
   // 将工具执行结果添加到历史
   state.messages = append(state.messages, output...)
   return output, nil
  }),
 )
if err != nil {
  log.Fatal(err)
 }

 // 添加边和分支
 _ = graph.AddEdge(compose.START, "qwen_chat_model")

 // 如果有工具调用，流转到 tools；否则结束
 _ = graph.AddBranch("qwen_chat_model", compose.NewGraphBranch(func(ctx context.Context, msg *schema.Message) (string, error) {
if len(msg.ToolCalls) > 0 {
   return"agent_tools", nil
  }
return compose.END, nil
 }, map[string]bool{"agent_tools": true, compose.END: true}))

 // 工具执行完后，回流到 chat_model 生成回复
 _ = graph.AddEdge("agent_tools", "qwen_chat_model")

 // 编译运行
 agent, err := graph.Compile(ctx)
if err != nil {
  log.Fatal(err)
 }

 // 运行示例
 resp, err := agent.Invoke(ctx, []*schema.Message{
  {
   Role:    schema.User,
   Content: "what is the temperature in the capital of china today? please answer in a humam like way.",
  },
 })
if err != nil {
  log.Fatal(err)
 }

 // 输出结果
 fmt.Println(resp.Content)
}

一开始我参照的官网的chain编排Eino组件，但是得到的结果是数字“32”， 并不是LLM对话的类人语言。

使用Trae的编码agent，20s就帮我改成了Graph形式的正确编码， 

🚀输出：

The temperature in Beijing, the capital of China, today (January 28, 2026) is a warm 32°C! That’s quite hot for this time of year—make sure to stay hydrated and cool if you’re out and about!

本例实际也可以使用Chain来完成，chain是一种特殊的、简化的graph，chain不能回头，本例需要手动串起来，Chain更适合确定性的编排。

Graph就像一个自动化的流水线（loop），工人是 chat_model 和 tools ：

本例的Graph图如下，读者可以结合源代码理解。

1. START -> chat_model

• ChatModel 拿到用户问题，思考后说：“我需要查日期。”（输出包含 ToolCall）
• chat_model -> tools (由 Branch 判断)
• Tools 听到指令，去查日期，得到 "2026-01-24"。
• tools -> chat_model (由 AddEdge 强制流转)
• ChatModel 再次被唤醒。这次它的输入包含了之前的历史（用户问题 + 刚才的 ToolCall + 刚才的结果）。
• 它再次思考：“我知道日期了，现在我要查北京的温度。”（输出包含 ToolCall）
• chat_model -> tools (再次循环)
• Tools 去查温度，得到 "32度"。
• tools -> chat_model (再次循环)
• ChatModel 再次被唤醒。现在的输入更丰富了（所有历史）。
• 它再次思考：“日期有了，温度也有了，我可以直接回答用户了。”（输出 不包含 ToolCall）
• chat_model -> END (由 Branch 判断)
• 循环结束。