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:
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:
python step1_call.pyDeberías ver (qwen3:8b local, 3.7 segundos):
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.contentestá vacío: no respondió directamente 13300, sino que entregó la "nota".tool_call: add {"a":3829,"b":9471}: eligió la funciónadd, y los parámetros son una cadena JSON. Ten en cuenta queargumentses una cadena; hay que aplicarjson.loadsantes 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:
| Campo | Función |
|---|---|
name | Nombre de la función. El modelo usa este nombre al llamarla |
description | Qué hace esta función. El modelo se basa en esto para juzgar cuándo debe usarla |
parameters | JSON 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".
- 1?
- 2?
- 3?
- 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_callsy untool_call - Puedo explicar qué hace cada uno:
name,description,parameters - Sé que
argumentses una cadena y que el modelo no ejecuta funciones por sí mismo
Siguiente sección: Escribe el bucle del Agent.