大模型实战：拒绝“幻觉”，Function Calling +高德地图 API

在开发大模型应用时，我们经常遇到两个痛点：

1. 1. 数据滞后：大模型不知道今天新开了哪家网红店，也不知道实时的路况。
2. 2. 无法行动：大模型只是一个大脑，它无法直接去“查询”外部世界。

今天，我们通过Function Calling（函数调用）技术，给大模型装上“手脚”。我们将以高德地图 API为例，演示如何让 ChatGPT 变身“实时导游”，完成从意图识别到API调用再到结果反馈的全过程。

一、核心原理：让 AI 读懂“说明书”

Function Calling 的核心在于：你给大模型一份工具说明书（Schema），大模型根据用户的问题，决定是否使用工具，以及使用什么工具。

在大模型眼里，调用外部 API 的流程是这样的：

1. 1. 用户提问：“我在春熙路附近，想喝咖啡。”
2. 2. 模型思考：这需要查地图，我手里有search_nearby_pois这个工具。
3. 3. 模型返回：请帮我运行这个函数：search_nearby_pois(keyword='咖啡', location=春熙路）。
4. 4. 本地代码执行：Python 代码真正去调用高德 API，拿到数据。
5. 5. 模型总结：将 API 返回的 JSON 数据整理成自然语言告诉用户。

二、实战：接入高德地图 API

接下来是硬核代码环节。我们需要完成三个步骤：定义工具函数、描述工具接口、实现调用循环。

第一步：编写实际执行的 Python 函数

大模型是不会自己发 HTTP 请求的，我们需要先写好 Python 代码来对接高德地图的接口。

这里我们需要两个核心能力：

1. 1. 地理编码：把地名（如“春熙路”）变成经纬度。
2. 2. 周边搜索：根据经纬度搜索附近的店铺（如“咖啡”）。

(注：请确保你已申请高德地图 API Key)

申请网址：https://lbs.amap.com/

import jsonimport requestsfrom openai import OpenAI# =================配置区域=================# 请替换为你的真实 KeyAMAP_API_KEY = "" # 必须是 Web服务 类型的 KeyOPENAI_API_KEY = ""OPENAI_BASE_URL = "https://api.deepseek.com/v1" # 如果用中转，请修改此处client = OpenAI( api_key=OPENAI_API_KEY, base_url=OPENAI_BASE_URL) ``````plaintext # =================第一部分：定义本地 Python 工具函数=================defget_location_coordinate(location, city=None): """根据地点名称获取经纬度坐标""" # 修复点 1：高德地理编码 API 参数名必须是 'address' params = { "key": AMAP_API_KEY, "address": location, "output": "json" } if city: params["city"] = city try: # 修复点 2：补全缺失的请求逻辑 response = requests.get("https://restapi.amap.com/v3/geocode/geo", params=params) response.raise_for_status() data = response.json() if data["status"] == "1"andint(data["count"]) > 0: geocode = data["geocodes"][0] # 返回格式化的坐标字符串 "经度,纬度" return { "location": geocode["location"], "formatted_address": geocode["formatted_address"], "city": geocode["city"] } else: returnf"错误: 未找到 '{location}' 的位置信息" except Exception as e: returnf"API请求错误: {str(e)}"defsearch_nearby_pois(keyword, location, radius=1000, city=None): """根据经纬度搜索附近店铺""" # 修复点 3：原 Notebook 这里错误调用了 geo 接口，这里修正为 place/around params = { "key": AMAP_API_KEY, "keywords": keyword, "location": location, # 这里需要 "经度,纬度" "radius": radius, "output": "json" } if city: params["city"] = city try: response = requests.get("https://restapi.amap.com/v3/place/around", params=params) response.raise_for_status() data = response.json() if data["status"] == "1"andint(data["count"]) > 0: # 提取前 3 个结果，节省 Token pois = [] for poi in data["pois"][:3]: pois.append({ "name": poi["name"], "address": poi["address"], "distance": poi["distance"] }) return pois else: returnf"附近没有找到关于 '{keyword}' 的店铺" except Exception as e: return f"API请求错误: {str(e)}"

第二步：告诉大模型你有什么工具 (Tools Schema)

这是最关键的一步。我们需要用 JSON 格式告诉大模型：函数叫什么？做什么用的？需要什么参数？

这相当于给大模型看的“API 文档”。

# =================第二部分：定义工具描述 (Schema)=================# 这是给大模型看的“说明书”tools = [ { "type": "function", "function": { "name": "get_location_coordinate", "description": "根据地点名称获取经纬度坐标，用于后续搜索", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "地点名称，如'成都东站'、'春熙路'" }, "city": { "type": "string", "description": "城市名称，可选" } }, "required": ["location"] } } }, { "type": "function", "function": { "name": "search_nearby_pois", "description": "搜索指定坐标附近的兴趣点（店铺、景点等）", "parameters": { "type": "object", "properties": { "keyword": { "type": "string", "description": "搜索关键词，如'咖啡'、'酒店'" }, "location": { "type": "string", "description": "中心点的经纬度坐标，格式为'经度,纬度'" }, "radius": { "type": "number", "description": "搜索半径（米）" } }, "required": ["keyword", "location"] } } }]

第三步：让大模型“动起来” (Main Loop)

现在，我们将用户的问题发给 GPT，看看它如何智能调度这两个函数。

用户提问：我想在春熙路附近喝咖啡，能给我推荐几个店铺吗？

注意：这是一个多步推理任务。

1. 1. GPT 不知道“春熙路”的坐标 ->需要先调用get_location_coordinate。
2. 2. 拿到坐标后 ->再调用search_nearby_pois。

# =================第三部分：主运行逻辑 (支持多步调用)=================defrun_conversation(user_prompt): print(f"User: {user_prompt}\n" + "-"*50) # 1. 初始化消息 messages = [ {"role": "system", "content": "你是一个地图助手。如果是查询地点，请先获取坐标，再搜索周边。"}, {"role": "user", "content": user_prompt} ] # 2. 发起第一次请求 response = client.chat.completions.create( model="deepseek-reasoner", # 或 deepseek-chat messages=messages, tools=tools, tool_choice="auto" ) response_message = response.choices[0].message messages.append(response_message) # 必须加入历史 # 3. 循环处理工具调用（核心修复点：使用 while 处理多步） while response_message.tool_calls: print(f"🤖 模型想调用 {len(response_message.tool_calls)} 个工具...") # 遍历所有工具调用请求 for tool_call in response_message.tool_calls: function_name = tool_call.function.name args = json.loads(tool_call.function.arguments) print(f"👉 调用: {function_name} | 参数: {args}") # 路由执行 function_result = None if function_name == "get_location_coordinate": function_result = get_location_coordinate(**args) elif function_name == "search_nearby_pois": function_result = search_nearby_pois(**args) print(f"✅ 结果: {function_result}") # 将结果传回给模型 messages.append({ "tool_call_id": tool_call.id, "role": "tool", "name": function_name, "content": json.dumps(function_result, ensure_ascii=False) }) # 4. 把工具结果提交给模型，看它是否还要继续 print("🔄 结果已提交，等待模型下一步响应...\n") response = client.chat.completions.create( model="deepseek-reasoner", messages=messages, tools=tools ) response_message = response.choices[0].message messages.append(response_message) # 更新循环条件 # 5. 输出最终文本回复 print("="*50) print(f"AI: {response_message.content}")# =================运行测试=================if __name__ == "__main__":

输入测试

# 测试复杂任务：查坐标 -> 查周边 -> 生成回复 run_conversation("春熙路附近的咖啡店")

结果如下

在高德地图查询是否属实，完全是真的地址。

三、总结

通过上面的代码，我们不再是简单地和 GPT 聊天，而是把 GPT 当作了一个业务中控系统。

• •Prompt 是接口：JSON Schema 中的description字段就是写给 AI 看的 Prompt，写得越清楚，AI 调用的准确率越高。
• •Agent 的雏形：通过不断增加tools列表（比如增加“打车”、“订座”接口），你可以构建一个无所不能的 AI 助理。

Function Calling 彻底改变了大模型的应用方式，它让 LLM 从“懂王”变成了实干家。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！