LobeChat调用Function Calling的完整示例-育师

LobeChat 调用 Function Calling 的完整实践

在构建现代 AI 应用的今天，一个核心挑战是：如何让大语言模型不只是“能说”，还能“会做”？用户不再满足于听到一段漂亮的回答，而是期待系统能真正完成任务——比如查天气、订会议室、发邮件。这种从“理解意图”到“执行动作”的跨越，正是Function Calling技术的价值所在。

LobeChat 作为一款开源、可私有化部署的 AI 聊天框架，不仅提供了媲美 ChatGPT 的交互体验，更关键的是它深度集成了 Function Calling 功能，使得开发者可以快速搭建具备真实世界操作能力的智能助手。它不依赖特定厂商闭源生态，支持多种本地与云端模型接入，同时通过插件机制实现高度扩展性。

那么，这套机制是如何工作的？我们又该如何上手使用？让我们跳过理论堆砌，直接进入实战视角。

想象这样一个场景：你在公司内部部署了一个基于 LobeChat 的 AI 助手。员工只需说一句：“帮我查一下上海现在的温度。” 系统就能自动调用天气服务接口，获取数据，并以自然语言回复：“上海当前气温 34°C，晴朗炎热，请注意防暑。” 整个过程无需人工干预，也不需要用户逐个点击菜单。

这背后的关键流程其实很清晰：

用户输入问题；
模型识别出需要调用某个函数（如get_weather）；
系统拦截该请求，验证参数后执行实际业务逻辑；
将结果返回给模型，生成最终回复。

整个链条中，模型并不直接运行代码，而是作为一个“决策大脑”，提出调用建议；真正的“手脚”是由 LobeChat 的运行时环境来完成的。这种设计既保留了灵活性，又确保了安全性。

为了实现这一点，LobeChat 使用了一套基于JSON Schema的声明式函数描述协议。这是目前主流大模型平台（如 OpenAI、Anthropic）通用的标准格式。例如，定义一个天气查询函数时，你可以这样写：

{ "name": "get_weather", "description": "获取指定城市的当前天气", "parameters": { "type": "object", "properties": { "city": { "type": "string", "description": "城市名称" } }, "required": ["city"] } }

这个结构告诉模型：“你可以在什么时候、用什么参数调用哪个函数”。当用户提问“北京热吗？”时，模型会根据上下文中的函数描述，判断是否应发起调用，并输出类似下面的响应片段：

{ "function_call": { "name": "get_weather", "arguments": "{\"city\": \"北京\"}" } }

LobeChat 框架检测到function_call字段后，就会暂停文本流输出，转而去执行注册好的处理逻辑。这一过程完全透明且可控。

在代码层面，LobeChat 提供了简洁的 TypeScript API 来注册这些函数。例如，在插件系统中添加一个天气工具：

import { registerFunctionTool } from 'lobe-chat-plugin'; registerFunctionTool({ name: 'get_weather', displayName: '获取天气', description: '根据城市名获取实时天气信息', parameters: { type: 'object', properties: { city: { type: 'string', description: '目标城市名称，如“北京”', }, }, required: ['city'], }, handler: async (params) => { const { city } = params; const response = await fetch(`https://api.weather.example/v1/current?city=${city}`); const data = await response.json(); if (!data.success) { return { error: `无法获取 ${city} 的天气数据` }; } return { temperature: data.temp, condition: data.condition, humidity: data.humidity, }; }, });

这里有几个值得注意的设计细节：

parameters必须严格遵循 JSON Schema 规范，否则模型可能无法正确解析参数；
handler是异步函数，适合对接网络请求或数据库操作；
返回值会被自动序列化并重新注入对话历史，供模型生成后续回复。

更重要的是，所有函数调用都经过 LobeChat 的统一调度层处理。这意味着你可以对调用行为进行集中控制：设置超时时间（避免卡死）、记录日志、做权限校验，甚至动态启用/禁用某些功能。

举个例子，在企业环境中，“发送邮件”这类敏感操作不应对所有人开放。你可以在handler中加入身份检查：

handler: async (params, context) => { if (!context.user.roles.includes('admin')) { return { error: '权限不足，无法发送邮件' }; } // 继续执行发送逻辑... }

LobeChat 支持将上下文信息（如用户身份、会话状态）传递给函数处理器，这让权限管理和个性化服务成为可能。

再来看架构层面。LobeChat 并非只是一个前端页面，它的整体结构融合了表现层、逻辑层、连接层和扩展层四个部分：

用户输入 ↓ [前端 UI] → 发送消息至 [Core Engine] ↓ Core Engine 添加函数描述上下文 → 传递至 [Model Gateway] ↓ 调用远程/本地模型 → 模型返回文本或 function_call ↓ 若为 function_call → Core Engine 解析 → 查找注册函数 → 调用 Plugin Handler ↓ 获取结果 → 注入对话历史 → 再次请求模型生成自然语言总结 ↓ 返回最终响应至 UI 渲染

其中最巧妙的一点是多模型适配中间件。不同厂商的模型对 Function Calling 的实现略有差异——比如通义千问要求函数名带plugin.前缀，而 OpenAI 则没有。LobeChat 在连接层做了归一化处理，开发者只需定义一次函数 schema，即可在多个模型间无缝切换。

这也带来了极大的部署灵活性。你可以选择使用 GPT-4 实现高精度推理，也可以用本地部署的 Qwen 或 Ollama 模型保障数据隐私，切换成本极低。

实际应用场景中，Function Calling 解决了许多传统聊天机器人难以突破的问题。

比如“信息孤岛”：HR 想知道某员工的年假余额，过去需要登录 HR 系统手动查找。现在只需问一句：“张三还有几天年假？” LobeChat 可以调用内部 API 查询数据库，再由模型组织成自然语言回复。

又比如“交互碎片化”：采购员要完成一次下单，原本需要查库存、填表格、审批、发邮件等多个步骤。而现在，一句话就可以触发一系列函数调用，形成自动化流水线：

“请为研发部采购 10 台 MacBook Pro，预算不超过 20 万。”

系统可依次执行：
-check_inventory(item="MacBook Pro")
-create_purchase_order(...)
-submit_for_approval(department="R&D")
-send_notification(to="finance@company.com")

每一步的结果都会反馈给模型，决定下一步是否继续。这才是真正意义上的“AI 协作代理”。

当然，如此强大的能力也伴随着工程上的考量。我们在实践中总结了几条关键经验：