OpenAI API 函数调用实战：Responses API 工具使用完全指南

函数调用（Function Calling）是让模型"动手"的核心能力：它不回答你"天气怎么样"，而是返回一个结构化的调用请求，由你的代码去查天气，再把结果交给模型组织成答案。本文用 Responses API 完整走一遍。

1. 什么是函数调用

普通请求是单向的：input → 文本答案。函数调用把流程拆成多轮：

1. 你声明可用的工具（tools），每个工具带名字、描述和参数 schema。
2. 模型判断"这个问题需要调用工具"，返回 function_call（含函数名 + 参数 JSON）。
3. 你的代码执行对应函数，把结果以 function_call_output 回传。
4. 模型拿到结果，继续生成最终答案。

模型从不真正执行你的代码——它只做决策，执行权在你手里。

2. 声明工具（tools）

工具声明在 tools 数组，每个函数是带 JSON Schema 参数的对象：

from openai import OpenAI

client = OpenAI()

tools = [
    {
        "type": "function",
        "name": "get_weather",
        "description": "获取指定城市的当前天气。需要时再调用。",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名，如 北京"},
                "unit": {"type": "string", "enum": ["celsius", "fahrenheit"], "default": "celsius"}
            },
            "required": ["city"]
        }
    }
]

response = client.responses.create(
    model="gpt-5.6",
    input="北京今天多少度？",
    tools=tools,
)

关键点：description 写得清楚、parameters 的 schema 精确，是调用成功率最大的杠杆。

3. 解析 function_call 并执行

当模型决定调用工具时，response.output 里会出现 function_call 类型的条目：

for item in response.output:
    if item.type == "function_call":
        print(item.name)          # get_weather
        print(item.arguments)     # '{"city": "北京", "unit": "celsius"}'
        print(item.call_id)       # 回传时要用

arguments 是 JSON 字符串，解析后调用你自己的实现：

import json

def call_function(name: str, args: str) -> str:
    params = json.loads(args)
    if name == "get_weather":
        # 这里是你真实的天气 API 或数据源
        return json.dumps({"city": params["city"], "temp": 26, "unit": "celsius"})
    raise ValueError(f"Unknown function: {name}")

4. 回传结果，拿到最终答案

把 function_call 连同执行结果一起追加进 input，再调一次：

# 假设上一步拿到 fc = 第一个 function_call 条目
messages = list(response.output)  # 保留模型的原始输出
messages.append({
    "type": "function_call_output",
    "call_id": fc.call_id,
    "output": '{"city": "北京", "temp": 26, "unit": "celsius"}',
})

final = client.responses.create(
    model="gpt-5.6",
    input=messages,
    tools=tools,
)
print(final.output_text)
# 输出类似：北京今天 26 摄氏度。

多轮调用就是重复"解析 → 执行 → 回传"，直到 output 里出现文本条目为止。

5. 控制策略：tool_choice

response = client.responses.create(
    model="gpt-5.6",
    input="把这条消息分类",
    tools=tools,
    tool_choice={"type": "function", "name": "classify_message"},  # 强制指定
)

6. 并行工具调用

如果模型判断需要多个独立工具，一次请求会返回多个 function_call。你的代码可以并行执行，再一次性回传：

# output 里有多个 function_call
calls = [i for i in response.output if i.type == "function_call"]
results = [run_in_parallel(c.name, c.arguments) for c in calls]  # 并行

new_input = list(response.output)
for c, r in zip(calls, results):
    new_input.append({
        "type": "function_call_output",
        "call_id": c.call_id,
        "output": r,
    })
final = client.responses.create(model="gpt-5.6", input=new_input, tools=tools)

7. 常见错误与排查

• function_call 总是不触发 → description 没写清楚使用时机；或 task 不需要工具。把描述改成"当用户询问 X 时调用"。
• 参数解析失败 → schema 太宽松。用 enum / format / required 收紧。
• 回传后模型重问 → call_id 不匹配，或 function_call_output 没跟在对应的 function_call 之后。
• 工具被 prompt injection 诱导 → 把工具返回值当不可信输入；危险操作（删除、发送、支付）加用户确认。
• 400 invalid_request_error → 检查是不是把 Chat Completions 的 functions 传给了 Responses API（这里是 tools），以及 input 不是 messages。

8. 下一步

• 《OpenAI API 入门：第一个 GPT-5.6 调用详解》
• 《GPT 模型完全指南：GPT-5.6 Sol / Terra / Luna 选型与对比》
• 《Model Context Protocol 完全指南：MCP 工作机制与实战》— 用 MCP 把函数调用标准化