Skip to content

Haz que el modelo llame a una función ​

Esta sección hace una sola cosa: darle al modelo la descripción de una función de "suma", preguntarle un problema de adición y ver cómo responde. Al terminar entenderás la pieza más básica de un Agent.

Primero, pensemos en una analogía ​

Tú eres el jefe y tienes un asistente que habla muy bien, pero no tiene calculadora. Le das una nota: "Cuando necesites hacer una suma, escríbeme una nota que diga 'por favor calcula a más b' y yo apretaré la calculadora por ti."

Así que él no adivina la respuesta, sino que te entrega una nota: "Por favor calcula 3829 más 9471."

El modelo es ese asistente, y la llamada a funciones es esa nota. El modelo no ejecuta ninguna función por sí mismo; solo dice, en el formato que le diste, "qué función quiero llamar y con qué parámetros". Quien realmente ejecuta es tu programa.

Código ​

Descarga step1_call.py, o escríbelo tú mismo:

python
import json, os
from openai import OpenAI

client = OpenAI(base_url=os.environ.get("AGENT_BASE_URL", "http://localhost:11434/v1"),
                api_key=os.environ.get("AGENT_API_KEY", "ollama"))
MODEL = os.environ.get("AGENT_MODEL", "qwen3:8b")

tools = [{
    "type": "function",
    "function": {
        "name": "add",
        "description": "计算两个数的和",
        "parameters": {
            "type": "object",
            "properties": {"a": {"type": "number"}, "b": {"type": "number"}},
            "required": ["a", "b"],
        },
    },
}]

resp = client.chat.completions.create(
    model=MODEL,
    messages=[{"role": "user", "content": "3829 加 9471 等于多少?"}],
    tools=tools,
)
msg = resp.choices[0].message
print("finish_reason:", resp.choices[0].finish_reason)
print("content:", msg.content)
for call in msg.tool_calls or []:
    print("tool_call:", call.function.name, call.function.arguments)

Ejecuta:

bash
python step1_call.py

Deberías ver (qwen3:8b local, 3.7 segundos):

text
finish_reason: tool_calls
content:
tool_call: add {"a":3829,"b":9471}

Entiende estas tres líneas ​

  • finish_reason: tool_calls: el modelo se detuvo en esta ronda porque quiere llamar a una herramienta, no porque haya terminado de hablar.
  • content está vacío: no respondió directamente 13300, sino que entregó la "nota".
  • tool_call: add {"a":3829,"b":9471}: eligió la función add, y los parámetros son una cadena JSON. Ten en cuenta que arguments es una cadena; hay que aplicar json.loads antes de usarla.

Ejecutamos el mismo código con el modelo GLM en la nube; la salida es igual, solo que el JSON tiene espacios de más: add {"a": 3829, "b": 9471}.

Cómo escribir la descripción de una función ​

Cada elemento de tools le dice al modelo una función:

CampoFunción
nameNombre de la función. El modelo usa este nombre al llamarla
descriptionQué hace esta función. El modelo se basa en esto para juzgar cuándo debe usarla
parametersJSON Schema de los parámetros: cuáles hay, de qué tipo y cuáles son obligatorios

Lo bien que esté escrita la description determina directamente si el modelo la usará en el momento adecuado. Escribir "calcula la suma de dos números" es mucho mejor que escribir "herramienta 1".

OrdenarQué ocurre en una llamada a una función, haz clic en orden
  1. 1?
  2. 2?
  3. 3?
  4. 4?

Haz clic uno por uno, en orden.

Pon a prueba tus conocimientosCuando el modelo devuelve tool_calls, ¿se ejecutó la función?

Compruébalo ​

  • Obtuve finish_reason: tool_calls y un tool_call
  • Puedo explicar qué hace cada uno: name, description, parameters
  • Sé que arguments es una cadena y que el modelo no ejecuta funciones por sí mismo

Siguiente sección: Escribe el bucle del Agent.

gaodong.aiAboutPrivacyContact

Independent tutorials, not affiliated with any product mentioned. Product names and trademarks belong to their owners. Check official pages for prices and policies.