＜span class=“js_title_inner“＞我不允许谁还不清楚function call在AI-Agent领域中打手的地位＜/span＞

前文提要：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。

  最后我们重温全文，function calling（function tools）在agent中的作用：

  在由LLM驱动的agent应用中，function calling（function tools）作为LLM的手脚，让LLM具备使用工具从外部获取最新信息并指导应用行为的能力，这一过程由结构化的输入输出参数来传递。

  新来的外包，限流算法用的这么6

  新来的外包，在大群分享了它的限流算法的实现

  还有比ollama更傻瓜式的大模型本地部署方式吗 ？

  我不允许谁还分不清这三种watch机制的区别

  糟糕，我实现的k8s informer好像是依托答辩

  云原生AI算力平台 阶段性解读

  两张大图一次性讲透k8s调度器工作原理

  在k8s调度的花园里面挖呀挖

  刚入职的AI菜鸡，应该知道gang-scheduling和binpack调度吗

  本文文字原创，搁笔常恐意味尽，愿闻读者金玉声， ”永久更新“地址见原文。

  点“赞”戳“在看”

  🤖 🚀 👑 🛠️ 💡 🌟 🤖 ☕ 🔗 💼 🗣️ 🐳🚜👍🔎😄🌐

  参考资料

  [1]

  function calling:https://medium.com/@jamestang/llm-function-calling-explained-a-deep-dive-into-the-request-and-response-payloads-894800fcad75

  [2]

  Eino:https://www.cloudwego.io/zh/docs/eino/quick_start/