别再手动调API了！用GPT-3.5-turbo-16k的函数调用，5分钟搞定天气查询机器人
5分钟打造智能天气助手：GPT-3.5-turbo-16k函数调用实战指南
当开发者第一次接触大语言模型的函数调用能力时，往往会陷入复杂的API文档和参数配置中。但事实上，只需5分钟和一个简单的天气查询场景，你就能掌握这项改变游戏规则的技术。本文将带你从零开始，用实际代码演示如何构建一个能理解自然语言、自动调用天气API并生成友好回复的智能助手。
1. 环境准备与基础配置
在开始编码之前，我们需要准备好开发环境。与传统的API调用不同，函数调用功能需要特定版本的模型支持。以下是必要的准备工作：
必备工具清单：
- OpenAI账号及API密钥（从平台后台获取）
- Python 3.7+环境
- 官方openai库（版本≥0.27.0）
- 一个可用的天气API（如OpenWeatherMap）
安装依赖只需一行命令：
pip install openai requests python-dotenv建议将API密钥存储在环境变量中，避免硬编码在脚本里。创建.env文件：
OPENAI_API_KEY=你的实际API密钥 WEATHER_API_KEY=你的天气API密钥提示：使用python-dotenv加载环境变量时，确保.gitignore中添加了.env，防止敏感信息泄露
2. 定义天气查询函数
函数调用的核心在于明确定义工具函数的结构和用途。我们需要创建一个能让模型理解的天气查询函数描述：
import json import requests from openai import OpenAI client = OpenAI() def get_current_weather(location: str, unit: str = "celsius"): """获取指定地区的当前天气情况 Args: location: 城市名，如"北京"或"New York" unit: 温度单位，"celsius"或"fahrenheit" """ # 这里替换为实际的天气API调用 params = { "q": location, "units": "metric" if unit == "celsius" else "imperial", "appid": os.getenv("WEATHER_API_KEY") } response = requests.get("https://api.openweathermap.org/data/2.5/weather", params=params) return response.json() # 供模型识别的函数描述 weather_function = { "name": "get_current_weather", "description": "获取指定地区的当前天气信息", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "城市及国家/地区，如'北京,中国'" }, "unit": { "type": "string", "enum": ["celsius", "fahrenheit"], "description": "温度单位" } }, "required": ["location"] } }这个JSON结构定义了函数的所有关键信息：
name: 函数标识符description: 帮助模型理解何时调用该函数parameters: 详细的参数规范，包括类型、描述和约束
3. 实现智能对话流程
现在我们来构建完整的对话处理流程。整个过程分为三个关键阶段：
3.1 初始用户请求处理
def chat_with_ai(user_query): response = client.chat.completions.create( model="gpt-3.5-turbo-16k", messages=[{"role": "user", "content": user_query}], functions=[weather_function], function_call="auto", ) return response.choices[0].message当用户询问"上海现在天气怎么样？"时，模型可能返回：
{ "role": "assistant", "content": null, "function_call": { "name": "get_current_weather", "arguments": "{\"location\":\"上海,中国\"}" } }3.2 执行外部API调用
解析模型返回的function_call并执行实际天气查询：
def execute_function_call(message): if message.function_call.name == "get_current_weather": args = json.loads(message.function_call.arguments) weather_data = get_current_weather(**args) return { "name": "get_current_weather", "content": json.dumps(weather_data) } return None3.3 生成最终用户回复
将API结果返回给模型进行自然语言转换：
def get_ai_response_with_data(user_query, function_response): messages = [ {"role": "user", "content": user_query}, { "role": "function", "name": function_response["name"], "content": function_response["content"] } ] response = client.chat.completions.create( model="gpt-3.5-turbo-16k", messages=messages ) return response.choices[0].message.content完整调用示例：
# 用户提问 query = "旧金山现在的气温是多少？用华氏度显示" initial_response = chat_with_ai(query) # 获取函数调用参数并执行 func_args = json.loads(initial_response.function_call.arguments) func_args["unit"] = "fahrenheit" # 覆盖用户指定的单位 weather_result = get_current_weather(**func_args) # 生成最终回复 final_response = get_ai_response_with_data( query, {"name": "get_current_weather", "content": json.dumps(weather_result)} ) print(final_response)可能的输出： "旧金山目前气温为68°F，天气晴朗，风速每小时5英里。"
4. 错误处理与优化技巧
在实际应用中，我们需要考虑各种边界情况和异常处理：
常见问题解决方案：
| 问题类型 | 可能原因 | 解决方案 |
|---|---|---|
| 地点不明确 | 用户输入"北方"这类模糊地点 | 让模型要求用户澄清 |
| API限制 | 天气服务调用次数超限 | 实现缓存机制，存储最近查询结果 |
| 参数错误 | 模型返回的参数格式不正确 | 添加参数验证逻辑 |
| 网络延迟 | 第三方API响应慢 | 设置合理超时，添加重试机制 |
增强版的错误处理示例：
def safe_get_weather(location, unit): try: return get_current_weather(location, unit) except requests.exceptions.RequestException as e: return {"error": f"天气服务暂时不可用: {str(e)}"} except json.JSONDecodeError: return {"error": "天气数据解析失败"}对于用户体验优化，可以考虑：
- 添加对话历史支持多轮交互
- 实现本地缓存减少API调用
- 支持更灵活的地点输入（如"我家附近"需要结合位置服务）
# 对话历史保持示例 conversation_history = [] def chat_with_history(user_input): global conversation_history conversation_history.append({"role": "user", "content": user_input}) response = client.chat.completions.create( model="gpt-3.5-turbo-16k", messages=conversation_history, functions=[weather_function] ) message = response.choices[0].message conversation_history.append(message) if hasattr(message, 'function_call'): # 处理函数调用... pass return message注意：实际项目中建议限制对话历史长度，避免超出模型的上下文窗口
通过这个完整的天气机器人示例，我们不仅实现了基本功能，还考虑了生产环境需要的健壮性和用户体验。函数调用的真正价值在于它让大语言模型成为了一个智能的"决策中心"，能够自主判断何时以及如何调用外部工具，开发者只需定义好这些工具的使用规范即可。