在 AI 发展过程中，如何让大模型不仅能理解问题，还能与外部工具交互，甚至像人类一样“思考-行动-反馈-再思考”，一直是核心研究方向。Function Calling 和 ReAct（Reason + Act）正是实现这一目标的关键机制。
本文将深入解析 Function Calling 和 ReAct 的工作原理，并通过一个 查询股票收盘价的实战案例 展示如何改进提示词（Prompt）以提升 AI 交互的智能性。
1. Function Calling & ReAct 让大模型更智能
🔹 Function Calling：让大模型能调用外部工具
Function Calling（函数调用）允许 LLM 通过 API 请求与外部工具交互，比如：
✅ 调用数据库查询实时数据（如股票价格、天气）
✅ 控制硬件设备（如智能家居）
✅ 调用计算 API 进行数学运算
大厂 LLM（如 OpenAI GPT-4-turbo、Claude 3）已经支持 Function Calling，使 AI 具备“工具使用能力”。
示例：GPT-4 Function Calling
{"name": "get_stock_price","description": "查询股票的最新价格","parameters": {"symbol": {"type": "string","description": "股票代码，例如 AAPL"}}
}
🔹 ReAct（Reason + Act）：让大模型具备思考 + 反馈 + 行动的能力
ReAct 是 "Reasoning + Acting"（推理 + 行动） 的结合，让 LLM 不仅能生成答案，还能思考、调用工具、分析反馈，像 Agent 一样分步解决问题。
ReAct 通过以下步骤完成任务：
-
Reason（推理）：分析问题，规划解决方案
-
Act（行动）：调用 API / 数据库 / 计算工具
-
Observe（观察）：接收外部工具返回结果
-
Reflect（反思）：调整策略，继续调用工具或直接回答
示例：ReAct 交互流程
Question: "今天苹果公司(AAPL)的收盘价是多少？"Reasoning: "需要获取最新的股票数据，调用股票 API 查询 AAPL 价格"Action: 调用 `get_stock_price(symbol="AAPL")`Observation: "返回价格：$180.32"Final Answer: "苹果公司今天的收盘价是 $180.32"
🔹 ReAct 比 Function Calling 更高级
-
Function Calling 只执行外部 API，但不会自主思考如何使用这些 API
-
ReAct 结合 Function Calling + 反思，让 AI 动态调整策略，变成 Agent
2. AI Agent：让大模型主动决策
Agent = LLM + 记忆 + 规划 + 工具调用
AI Agent 具备 主动思考 + 交互能力，能处理复杂任务。
Agent 框架（如 LangChain）基于 ReAct，结合工具增强 AI 能力： ✅ LangChain Agent
✅ OpenAI Function Calling
✅ AutoGPT / BabyAGI
Agent 示例：查询 & 记录用户历史提问
用户提问：「AAPL 的收盘价？」
Agent 思考：「调用 API 查询 AAPL 价格」
Agent 记录：「用户问了 AAPL，可能后续会问 TSLA / GOOG」
Agent 决策：「建议用户查询其他科技股？」
📌 这样，Agent 不仅查询数据，还能预测用户意图，提升交互体验！
3. ReAct Prompt：让 LLM 学会思考 + 行动
ReAct Prompt 设计规定了 AI 的思维方式，指导其拆解问题并调用工具。
ReAct Prompt 模板
Question: {用户输入的问题}Thought: 需要获取相关信息，选择合适的工具
Action: {调用的工具 + 参数}
Observation: {工具返回的结果}
...（可能重复多次）
Final Answer: {最终答案}
案例：查询 AAPL 股票收盘价
Question: "苹果公司的最新收盘价是多少？"Thought: "我需要调用股票查询 API 获取 AAPL 的最新价格"
Action: get_stock_price("AAPL")
Observation: "返回：$180.32"Final Answer: "苹果公司今天的收盘价是 $180.32"
🔹 修改 Prompt 提高 AI 智能性 默认 ReAct Prompt 可能只会调用 API 一次，但我们希望 AI： ✅ 如果数据有误，能 自动重试
✅ 如果股票代码错误，能 建议用户修改
优化后的 Prompt：
Question: {用户输入的问题}Thought: 需要获取最新股票价格，但如果 API 失败，我会重新尝试或请求用户提供更详细信息。
Action: {调用的工具 + 参数}
Observation: {工具返回的结果}
Thought: 结果是否正确？是否需要进一步查询？
...（循环）
Final Answer: {最终答案}
这样，AI 变得更智能，不会因为 API 失败就直接输出错误答案。
4. 实战案例：基于 Function Calling + ReAct 查询股票价格
技术栈：OpenAI GPT-4 + FastAPI + Alpha Vantage API（股票查询）
🔹 实现 Function Calling
import openaifunctions = [{"name": "get_stock_price","description": "获取股票的最新收盘价","parameters": {"type": "object","properties": {"symbol": {"type": "string","description": "股票代码，例如 AAPL"}}}}
]def get_stock_price(symbol):# 调用 Alpha Vantage API 获取股票价格url = f"https://www.alphavantage.co/query?function=GLOBAL_QUOTE&symbol={symbol}&apikey=YOUR_API_KEY"response = requests.get(url).json()return response["Global Quote"]["05. price"]response = openai.ChatCompletion.create(model="gpt-4-turbo",messages=[{"role": "user", "content": "查询 AAPL 的收盘价"}],functions=functions,function_call="auto"
)
🔹 整合 ReAct 机制
def query_stock_price(symbol):thought = "我需要调用 API 查询股票价格"print(f"Thought: {thought}")action = f"调用 get_stock_price({symbol})"print(f"Action: {action}")try:price = get_stock_price(symbol)observation = f"返回价格：${price}"except Exception as e:observation = "API 查询失败，可能是股票代码错误"print(f"Observation: {observation}")if "API 查询失败" in observation:return "请检查股票代码是否正确"else:return f"Final Answer: {symbol} 的最新收盘价是 ${price}"
5. 总结
Function Calling 和 ReAct 让 LLM 不再是“死记硬背的模型”，而是具备主动思考和交互能力的智能体。
✅ Function Calling 让 LLM 具备调用外部工具的能力（API、数据库等）
✅ ReAct 让 LLM 能 拆解问题、思考、调用工具、调整策略
✅ 结合 Function Calling + ReAct，可以构建智能 AI Agent，适用于搜索、金融、医疗等场景