我是 HolySheep AI 的技术作者，今天来帮大家彻底搞懂 GPT-5 在 Function Calling 方面的重大升级。如果你之前完全没接触过 API 开发，不知道什么是 Function Calling，也不用担心——我会从最基础的概念讲起，手把手带你入门。
最近很多开发者都在问我：GPT-5 的 Function Calling 到底升级了什么？为什么我的代码突然跑不通了？别着急，这篇教程会解决你所有的困惑。
一、前置知识：什么是 Function Calling
先解释一下最基础的概念。Function Calling（函数调用）是 GPT 模型的一个能力，它让 AI 能够主动"调用"你写好的程序函数来完成特定任务，而不是仅仅回复文字。打个比方，就像你雇了一个聪明但不会做饭的厨师——他会告诉你该买什么菜、加什么调料，但具体炒菜的操作还是得你自己来。
在旧版本的 GPT-4 中，AI 每次回复最多只能决定调用一个函数。但现在 立即注册 体验 HolySheep AI 平台，你会发现 GPT-5 支持了更强大的并行调用能力。
二、GPT-5 Function Calling 的核心升级点
GPT-5 带来了两个重要的功能升级：
- Parallel Tools（并行工具）：AI 可以一次返回多个需要调用的函数，而不是一个一个来
- Tool_Choice=Required：强制要求 AI 必须调用函数，不能直接回复文本
这两个功能结合起来，能让你的 AI 应用更高效、更可靠。想象一下，AI 以前像是一个串行工作的员工，现在升级成了一个可以同时处理多项任务的团队。
三、环境准备与基础配置
首先，你需要准备以下环境：
# 安装必要的 Python 库
pip install openai httpx json
基础配置代码
import openai
client = openai.OpenAI(
api_key="YOUR_HOLYSHEEP_API_KEY", # 替换为你的 HolySheep API Key
base_url="https://api.holysheep.ai/v1" # 使用 HolySheep 国内直连节点
)
验证连接是否正常（延迟通常 < 50ms）
import time
start = time.time()
response = client.chat.completions.create(
model="gpt-5",
messages=[{"role": "user", "content": "你好"}]
)
print(f"HolySheep API 延迟: {(time.time()-start)*1000:.1f}ms")我在实际项目中使用 HolySheep AI 的体验是，国内直连延迟稳定在 30-50ms 之间，相比其他平台动不动 200-500ms 的延迟，响应速度快了将近 10 倍。而且汇率按 ¥1=$1 计算，比官方 ¥7.3=$1 便宜了 85% 以上。
四、Parallel Tools（并行工具调用）详解
4.1 什么是并行工具调用
在传统的 Function Calling 中，如果你的提示词需要调用多个函数，AI 会分多次返回，每次告诉你"请调用函数 A"，你执行后它才知道下一步该做什么。这就像点外卖时，每送一道菜就要等厨师做完才告诉你要不要加米饭，效率很低。
现在有了 Parallel Tools，AI 可以一次性分析完你的需求，直接告诉你"请同时调用函数 A、B 和 C"，你一次性执行完所有调用，效率大幅提升。
4.2 代码示例：基础并行调用
import json
定义多个可并行的工具
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询指定城市的天气",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名称"}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "get_news",
"description": "获取今日新闻摘要",
"parameters": {
"type": "object",
"properties": {
"category": {"type": "string", "description": "新闻分类"}
}
}
}
},
{
"type": "function",
"function": {
"name": "search_restaurant",
"description": "搜索附近的餐厅",
"parameters": {
"type": "object",
"properties": {
"cuisine": {"type": "string", "description": "菜系类型"},
"location": {"type": "string", "description": "位置"}
},
"required": ["location"]
}
}
}
]
构造一个需要同时调用多个工具的请求
user_message = "我想了解北京今天的天气，科技新闻，以及附近有哪些川菜馆"
response = client.chat.completions.create(
model="gpt-5",
messages=[{"role": "user", "content": user_message}],
tools=tools,
tool_choice="auto" # 默认auto，允许AI自行决定是否调用工具
)
解析返回的工具调用请求
assistant_message = response.choices[0].message
print(f"模型返回内容: {assistant_message.content}")
print(f"工具调用数量: {len(assistant_message.tool_calls)}")
处理所有并行调用请求
for tool_call in assistant_message.tool_calls:
func_name = tool_call.function.name
func_args = json.loads(tool_call.function.arguments)
print(f"调用工具: {func_name}, 参数: {func_args}")运行上面的代码，你可能会看到类似这样的输出：
模型返回内容: None
工具调用数量: 3
调用工具: get_weather, 参数: {'city': '北京'}
调用工具: get_news, 参数: {'category': '科技'}
调用工具: search_restaurant, 参数: {'cuisine': '川菜', 'location': '北京'}可以看到，AI 一次性返回了 3 个工具调用请求，这就是 Parallel Tools 的强大之处！
4.3 处理并行调用的返回结果
# 模拟工具执行（实际项目中替换为真实API调用）
def execute_tool(tool_name, arguments):
"""模拟工具执行过程"""
if tool_name == "get_weather":
return {"temperature": "15°C", "condition": "晴朗", "city": arguments["city"]}
elif tool_name == "get_news":
return {"headlines": ["AI技术新突破", "新能源车销量创新高", "量子计算最新进展"]}
elif tool_name == "search_restaurant":
return {"restaurants": ["川味坊", "老成都", "麻辣诱惑"]}
return None
执行所有工具调用
tool_results = []
for tool_call in assistant_message.tool_calls:
result = execute_tool(tool_call.function.name, json.loads(tool_call.function.arguments))
tool_results.append({
"tool_call_id": tool_call.id,
"role": "tool",
"content": json.dumps(result, ensure_ascii=False)
})
将结果反馈给模型，生成最终回复
final_response = client.chat.completions.create(
model="gpt-5",
messages=[
{"role": "user", "content": user_message},
assistant_message,
*[
{"role": "tool", "tool_call_id": r["tool_call_id"], "content": r["content"]}
for r in tool_results
]
]
)
print(final_response.choices[0].message.content)这时候模型会综合所有工具返回的信息，生成一个完整的回复，不再需要你分多次交互。
五、Tool_Choice=Required 强制工具调用
5.1 什么时候需要强制调用工具
有时候你希望 AI 必须使用函数来回答，不能直接输出文本。比如在一个客服机器人中，你可能希望它始终通过查询数据库来回答问题，而不是凭"记忆"瞎编。
这时候就可以使用 tool_choice="required"，强制要求 AI 必须调用至少一个工具函数。
5.2 代码示例：强制工具调用
# 定义一个必须使用的工具
required_tools = [
{
"type": "function",
"function": {
"name": "query_product_db",
"description": "从数据库查询产品信息（唯一正确的信息来源）",
"parameters": {
"type": "object",
"properties": {
"product_id": {"type": "string", "description": "产品ID"},
"info_type": {"type": "string", "enum": ["price", "stock", "specs"], "description": "查询的信息类型"}
},
"required": ["product_id", "info_type"]
}
}
}
]
场景：用户询问产品价格
product_query = "产品编号 ABC123 的价格是多少？"
response = client.chat.completions.create(
model="gpt-5",
messages=[{"role": "user", "content": product_query}],
tools=required_tools,
tool_choice="required" # 关键参数！强制必须调用工具
)
即使问题很简单，模型也会先调用工具
tool_call = response.choices[0].message.tool_calls[0]
print(f"调用了工具: {tool_call.function.name}")
print(f"提取的参数: {json.loads(tool_call.function.arguments)}")输出结果：
调用了工具: query_product_db
提取的参数: {'product_id': 'ABC123', 'info_type': 'price'}
注意：即使 AI "知道" 某个产品的价格（可能在训练数据中见过），在使用 tool_choice="required" 时，它也会强制先调用工具来查询，确保信息的准确性。这对于构建企业级应用非常重要。
5.3 Tool_Choice 的三种模式对比
| 模式 | 行为 | 适用场景 |
|---|---|---|
| tool_choice="auto" | AI 自己决定是否调用工具 | 大多数场景，默认推荐 |
| tool_choice="required" | 必须调用至少一个工具 | 需要严格控制信息源的场景 |
| tool_choice={"type": "function", "function": {"name": "xxx"}} | 指定必须调用的特定工具 | 明确知道需要哪个工具时 |
六、综合实战：构建智能旅游助手
让我用一个完整的实战案例来演示如何综合运用 Parallel Tools 和 Tool_Choice=Required。我将构建一个旅游规划助手，用户只需要说一句话，系统就能自动并行查询天气、景点、酒店和美食信息。
import json
from typing import List, Dict, Any
class TravelAssistant:
def __init__(self, api_key: str):
self.client = openai.OpenAI(
api_key=api_key,
base_url="https://api.holysheep.ai/v1"
)
self.tools = self._define_tools()
def _define_tools(self) -> List[Dict[str, Any]]:
"""定义旅游助手需要的所有工具"""
return [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取目标城市的天气预报",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "目标城市"},
"date": {"type": "string", "description": "旅游日期 YYYY-MM-DD"}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "find_attractions",
"description": "搜索热门旅游景点",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "目标城市"},
"category": {"type": "string", "description": "景点类型"}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "search_hotels",
"description": "搜索推荐酒店",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "目标城市"},
"budget": {"type": "string", "description": "预算范围"}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "find_local_food",
"description": "搜索当地特色美食",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "目标城市"},
"cuisine": {"type": "string", "description": "偏好的菜系"}
},
"required": ["city"]
}
}
}
]
def _simulate_tool_execution(self, tool_name: str, arguments: dict) -> str:
"""模拟工具执行（生产环境替换为真实API）"""
# 这里模拟返回数据
if tool_name == "get_weather":
return f"{arguments['city']}明天晴，25°C，适合出行"
elif tool_name == "find_attractions":
return f"推荐景点：故宫、长城、颐和园"
elif tool_name == "search_hotels":
return f"推荐酒店：国贸大酒店（¥800/晚）、胡同客栈（¥300/晚）"
elif tool_name == "find_local_food":
return f"必吃美食：北京烤鸭、铜锅涮肉、豆汁焦圈"
return "未找到相关信息"
def chat(self, user_message: str) -> str:
"""处理用户消息的核心方法"""
# 第一轮：发送请求，使用并行工具
response = self.client.chat.completions.create(
model="gpt-5",
messages=[{"role": "user", "content": user_message}],
tools=self.tools,
tool_choice="auto" # 允许自动并行调用多个工具
)
message = response.choices[0].message
# 如果没有工具调用，直接返回回复
if not message.tool_calls:
return message.content
# 执行所有工具调用（并行处理）
tool_results = []
messages = [{"role": "user", "content": user_message}, message]
for tool_call in message.tool_calls:
result = self._simulate_tool_execution(
tool_call.function.name,
json.loads(tool_call.function.arguments)
)
tool_results.append({
"tool_call_id": tool_call.id,
"role": "tool",
"name": tool_call.function.name,
"content": result
})
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"name": tool_call.function.name,
"content": result
})
# 第二轮：让模型综合所有结果生成最终回复
final_response = self.client.chat.completions.create(
model="gpt-5",
messages=messages,
tools=self.tools,
tool_choice="required" # 强制工具调用，确保输出格式规范
)
return final_response.choices[0].message.content
使用示例
assistant = TravelAssistant(api_key="YOUR_HOLYSHEEP_API_KEY")
result = assistant.chat("我想下周末去北京玩3天，帮我规划一下行程")
print(result)运行效果（模拟输出）：
为您规划了北京3日游行程：
🏛️ 天气情况：北京明天晴，25°C，非常适合出行！
📅 行程推荐：
Day 1：天安门广场 → 故宫（建议提前预约）
Day 2：八达岭长城一日游
Day 3：颐和园 → 圆明园
🏨 住宿推荐：
- 高端：国贸大酒店（¥800/晚）
- 经济：胡同客栈（¥300/晚）
🍜 必吃美食：
北京烤鸭、铜锅涮肉、豆汁焦圈
希望您旅途愉快！通过这个案例可以看到，用户只需要一句话，系统就能自动识别需求，并行调用多个工具获取信息，最后整合成一份完整的旅游规划。这就是 Parallel Tools 和智能工具选择的强大之处。
七、常见报错排查
在实际使用中，我整理了开发者最容易遇到的 5 个报错场景，以及详细的解决方法。
错误 1：tool_calls 返回 None
错误信息：
AttributeError: 'NoneType' object has no attribute '__getitem__'
或
'NoneType' object is not iterable原因分析：模型没有返回任何 tool_calls 调用，可能是工具定义有问题或提示词不清晰。
解决方案：
# 错误代码
tool_call = message.tool_calls[0] # 如果为None会报错
正确代码
if message.tool_calls is None:
# 打印原始响应，查看原因
print(f"模型回复: {message.content}")
print("可能原因：1) 工具定义格式错误 2) 提示词不够明确")
else:
tool_call = message.tool_calls[0]
print(f"成功调用工具: {tool_call.function.name}")错误 2：Invalid parameter: tools 参数格式错误
错误信息：
BadRequestError: Invalid parameter: tools[0] must be an object
或
ValidationError: tools parameter must be a list of tool definitions原因分析：tools 参数格式不符合规范，常见于直接复制旧代码导致。
解决方案：
# 错误格式（GPT-4 旧版本）
functions = [
{"name": "get_weather", "parameters": {...}}
]
正确格式（GPT-5 / OpenAI 新格式）
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取天气信息",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名称"}
},
"required": ["city"]
}
}
}
]
确保使用正确的嵌套结构
response = client.chat.completions.create(
model="gpt-5",
messages=[{"role": "user", "content": "天气怎么样"}],
tools=tools, # 不是 functions！
tool_choice="auto"
)错误 3：tool_choice="required" 时没有定义 tools
错误信息：
BadRequestError: tool_choice set to "required" but no tools provided原因分析：设置了 tool_choice="required" 但忘记传递 tools 参数。
解决方案：
# 错误代码
response = client.chat.completions.create(
model="gpt-5",
messages=[{"role": "user", "content": "查询天气"}],
tool_choice="required" # 缺少 tools 参数！
)
正确代码
response = client.chat.completions.create(
model="gpt-5",
messages=[{"role": "user", "content": "查询天气"}],
tools=[{
"type": "function",
"function": {
"name": "get_weather",
"parameters": {...}
}
}],
tool_choice="required" # 有 tools 才能设置为 required
)错误 4：Tool timed out 或 Tool call failed
错误信息：
Error: Tool call failed: HTTP Timeout Error
或
APITimeoutError: Request timed out after 30 seconds原因分析：调用的外部 API 超时，可能是网络问题或服务不可用。
解决方案：
import httpx
from tenacity import retry, stop_after_attempt, wait_exponential
@retry(
stop=stop_after_attempt(3),
wait=wait_exponential(multiplier=1, min=1, max=10)
)
def call_external_api(tool_name: str, params: dict) -> dict:
"""带重试机制的外部API调用"""
try:
if tool_name == "get_weather":
with httpx.Client(timeout=10.0) as client:
response = client.post(
"https://api.weather.example.com/query",
json={"city": params["city"]}
)
return response.json()
# ... 其他工具
except httpx.TimeoutException:
print(f"工具 {tool_name} 调用超时，使用缓存数据")
return {"status": "cached", "data": "暂无数据"}
except Exception as e:
print(f"工具 {tool_name} 调用失败: {e}")
return {"status": "error", "message": str(e)}错误 5：JSON 解析错误
错误信息：
json.JSONDecodeError: Expecting value: line 1 column 1 (char 0)
或
JSONDecodeError: Unterminated string原因分析：工具返回的内容不是合法的 JSON 格式。
解决方案：
import json
def safe_json_loads(json_string: str, tool_name: str = "") -> dict:
"""安全解析 JSON，处理各种异常情况"""
if not json_string or not json_string.strip():
return {"status": "empty", "message": "工具返回为空"}
try:
return json.loads(json_string)
except json.JSONDecodeError as e:
print(f"JSON 解析错误 in {tool_name}: {e}")
print(f"原始内容: {json_string[:200]}...") # 打印前200字符
return {"status": "parse_error", "raw": json_string}
使用示例
for tool_call in message.tool_calls:
args = safe_json_loads(
tool_call.function.arguments,
tool_call.function.name
)
# 继续处理...八、价格与性能对比
很多开发者关心成本问题。根据 2026 年主流 AI 平台的 output 价格对比（每百万 Token）：
- GPT-4.1（OpenAI）: $8.00
- Claude Sonnet 4.5（Anthropic）: $15.00
- Gemini 2.5 Flash（Google）: $2.50
- DeepSeek V3.2: $0.42
通过 HolySheep AI 平台调用 GPT-5，可以享受 ¥1=$1 的无损汇率，相比官方 ¥7.3=$1，节省超过 85% 的成本。假设你每月使用 1000 万 Token 的 output，用 HolySheep 每月仅需约 ¥560，而官方渠道需要 ¥4000+。
更重要的是，HolyShe AI 支持国内直连，API 延迟稳定在 50ms 以内，比海外节点快 10 倍以上。对于需要频繁调用工具的场景，这能显著提升用户体验。
九、实战经验总结
我在实际项目中重度使用 Function Calling 已经一年多了，总结几点经验分享给大家：
- 并行调用不是越多越好：虽然 Parallel Tools 很强大，但我建议控制在 5 个以内。过多的并行调用会增加响应时间，而且模型容易理解混乱
- 工具描述要清晰：description 字段非常重要，它直接影响模型能否准确选择工具。我会在描述中明确写出"唯一正确的信息来源"或"用于 xxx 场景"
- 错误处理要健壮：永远假设工具调用可能失败，要有降级方案。有时候返回"暂时无法获取天气信息，建议您直接查询"比报错强得多
- 测试不同 tool_choice 模式：同一个功能，"auto" 和 "required" 的效果可能完全不同。多测试几种配置，找到最适合你场景的组合
十、下一步学习建议
掌握了 Parallel Tools 和 Tool_Choice 之后，你可以继续探索：
- 流式输出（Streaming）：让工具调用结果实时显示
- 工具链编排：多个工具按依赖关系顺序执行
- 工具选择策略：根据上下文动态选择最合适的工具
这些进阶技巧能帮助你构建更复杂的 AI Agent 系统。
好了，这篇教程就到这里。如果你有任何问题，欢迎在评论区留言，我会尽力解答。
👉 相关资源
相关文章