Function Calling: Ligar a IA aos Seus Sistemas
Nesta página
Function Calling: Ligar a IA aos Seus Sistemas
O function calling permite ao modelo invocar funções que o utilizador define. Mantenha uma regra em primeiro plano, pois tudo o resto deriva dela: o modelo não as executa. Ele indica-lhe qual a função a chamar e com que argumentos; o seu código realiza a execução e devolve o resultado. A sua base de dados, as suas credenciais e a sua lógica de negócio nunca saem da sua infraestrutura.
O Fluxo Completo, Passo a Passo
A troca ocorre em quatro fases:
- Declara as funções disponíveis juntamente com os seus parâmetros
- O modelo analisa o pedido e decide chamar uma função
- O seu código executa a função e obtém o resultado
- Envia o resultado de volta ao modelo para que este possa formular a sua resposta
A declaração merece cuidado especial: a description da função e a descrição de cada parâmetro são a única documentação que o modelo possui para tomar a sua decisão. Descrições vagas levam a chamadas aproximadas. Note também como fechar o ciclo: o resultado é devolvido com o call_id que recebeu, o qual atua como um reconhecimento e permite à API associar a resposta ao pedido.
from openai import OpenAI
import json
client = OpenAI()
# Step 1: Declare available functions
tools = [{
"type": "function",
"name": "get_meteo",
"description": "Get the current weather for a city",
"parameters": {
"type": "object",
"properties": {
"ville": {
"type": "string",
"description": "The name of the city"
},
"unite": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"description": "Temperature unit"
}
},
"required": ["ville"]
}
}]
# Step 2: The model decides to call the function
response = client.responses.create(
model="gpt-5.6-terra",
input="What's the weather like in Marseille?",
tools=tools
)
# Step 3: Execute the function
for item in response.output:
if item.type == "function_call":
print(f"Function: {item.name}")
print(f"Arguments: {item.arguments}")
args = json.loads(item.arguments)
# Your actual implementation
resultat_meteo = {"temperature": 22, "condition": "sunny"}
# Step 4: Send the result back to the model
final = client.responses.create(
model="gpt-5.6-terra",
input=[
{"role": "user", "content": "What's the weather like in Marseille?"},
{
"type": "function_call_output",
"call_id": item.call_id,
"output": json.dumps(resultat_meteo)
}
],
tools=tools
)
print(f"Response: {final.output_text}")
# Result:
# Function: get_meteo
# Arguments: {"ville": "Marseille"}
# Response: It is currently 22 C in Marseille with sunny weather.
Permitir que o Modelo Escolha Entre Múltiplas Ferramentas
O verdadeiro valor surge quando expõe um catálogo inteiro de capacidades. Num assistente de comércio eletrónico, declararia a pesquisa de produtos, a verificação de stocks e a colocação de encomendas, deixando depois o modelo arbitrar. Perante «O portátil gaming XPS está disponível?», ele não realizará uma pesquisa, mas consultará diretamente o stock: foram as descrições das suas funções, e não uma regra codificada, que conduziram essa escolha.
tools = [
{
"type": "function",
"name": "rechercher_produit",
"description": "Search for a product in the catalog",
"parameters": {
"type": "object",
"properties": {
"requête": {"type": "string", "description": "Search terms"},
"categorie": {"type": "string", "description": "Category (optional)"}
},
"required": ["requête"]
}
},
{
"type": "function",
"name": "verifier_stock",
"description": "Check product availability",
"parameters": {
"type": "object",
"properties": {
"produit_id": {"type": "string", "description": "Product ID"}
},
"required": ["produit_id"]
}
},
{
"type": "function",
"name": "passer_commande",
"description": "Place an order for a product",
"parameters": {
"type": "object",
"properties": {
"produit_id": {"type": "string"},
"quantite": {"type": "integer", "description": "Number of units"}
},
"required": ["produit_id", "quantite"]
}
}
]
# The model automatically chooses the right function
response = client.responses.create(
model="gpt-5.6-terra",
input="Is the XPS gaming laptop available?",
tools=tools
)
for item in response.output:
if item.type == "function_call":
print(f"Function chosen: {item.name}")
print(f"Arguments: {item.arguments}")
# Result: Function chosen: verifier_stock
# Arguments: {"produit_id": "xps-gaming"}
Um único pedido pode também desencadear múltiplas chamadas em simultâneo. Comparar o tempo em duas cidades produz duas chamadas independentes: o seu código deve, portanto, iterar sobre response.output e tratar todos os itens function_call, nunca apenas o primeiro. Esta é também uma oportunidade para executar essas chamadas em paralelo e reduzir a latência para metade.
response = client.responses.create(
model="gpt-5.6-terra",
input="Compare the weather between Paris and Lyon.",
tools=[{
"type": "function",
"name": "get_meteo",
"description": "Get the weather for a city",
"parameters": {
"type": "object",
"properties": {
"ville": {"type": "string"}
},
"required": ["ville"]
}
}]
)
# The model makes two calls in parallel
function_calls = [item for item in response.output if item.type == "function_call"]
print(f"Number of calls: {len(function_calls)}")
for call in function_calls:
args = json.loads(call.arguments)
print(f" - get_meteo({args['ville']})")
# Result:
# Number of calls: 2
# - get_meteo(Paris)
# - get_meteo(Lyon)
O Ciclo do Agente
Uma única ida e volta raramente é suficiente: o resultado de uma função leva frequentemente o modelo a chamar outra. Assim, envolve a troca num ciclo que corre enquanto a resposta contiver chamadas de função e para assim que deixar de as conter — um sinal de que o modelo formulou a sua resposta final. Esta é a espinha dorsal de qualquer agente, e verá esta estrutura sob várias formas em todas as frameworks de agentes.
def executer_fonction(nom: str, arguments: str) -> str:
"""Execute a function and return the result."""
args = json.loads(arguments)
if nom == "get_meteo":
# Simulation — replace with your real API
return json.dumps({"temp": 18, "condition": "cloudy"})
elif nom == "get_heure":
return json.dumps({"heure": "14:30", "timezone": "CET"})
return json.dumps({"error": "Unknown function"})
def agent_loop(question: str, tools: list) -> str:
"""Agent loop: call functions until the final response."""
input_messages = [{"role": "user", "content": question}]
while True:
response = client.responses.create(
model="gpt-5.6-terra",
input=input_messages,
tools=tools
)
# Check for function calls
function_calls = [i for i in response.output if i.type == "function_call"]
if not function_calls:
# No function calls = final response
return response.output_text
# Execute each function and add results
for call in function_calls:
resultat = executer_fonction(call.name, call.arguments)
input_messages.append({
"type": "function_call_output",
"call_id": call.call_id,
"output": resultat
})
# Usage
reponse = agent_loop("What's the weather like in Paris?", tools)
print(reponse)
Uma palavra de cautela sobre este padrão: o ciclo while True não possui salvaguardas. Em produção, adicione um contador máximo de iterações; caso contrário, um modelo que solicite indefinidamente a mesma ferramenta consumirá o seu orçamento sem jamais concluir.
Bloquear Argumentos com o Modo Estrito
O modo estrito aplica aos parâmetros das funções a mesma garantia que o Structured Output aplica às respostas: os argumentos aderem estritamente ao esquema declarado. Para uma função que cria um utilizador, isto impede que receba uma idade como cadeia de caracteres ou um campo extra que o seu código não esperava.
tools = [{
"type": "function",
"name": "creer_utilisateur",
"description": "Create a new user",
"strict": True,
"parameters": {
"type": "object",
"properties": {
"nom": {"type": "string"},
"email": {"type": "string"},
"age": {"type": "integer"}
},
"required": ["nom", "email", "age"],
"additionalProperties": False
}
}]
Pontos-chave
- O function calling liga o modelo aos seus sistemas sem expor os seus dados
- O modelo decide qual a função a chamar; o seu código executa-a
- Devolva o resultado utilizando
function_call_outpute ocall_id - O modelo pode chamar múltiplas funções em paralelo
- Utilize um ciclo de agente para conversas em várias voltas que envolvam funções
- Ative
strict: Truepara garantir a conformidade dos argumentos