前文提要：还有比ollama更傻瓜式的大模型本地部署方式吗 ？

1.function calling 底层工作原理

大模型重塑了我们与软件应用的交互方式， 其中最重要的特性就是 function calling 。

一种利用结构化输入/输出在LLM和编程应用之间建立桥梁的方式。

不管是当前火热的AI-agent还是MCP，了解function calling底层工作原理都至关重要，特别是request和response payload。

回顾上文我们与qwen大模型的对话：

what is the temperature in the capital of china today？

一个由LLM驱动的应用， 回答这个问题，应用与LLM经历了三次对话。

① 第一次请求payload：

• message：标准的历史对话， 提供上下文context
• tools：一系列的工具函数定义， 提供给LLM来选择

LLM的响应payload：

• tool_calls.function.name： LLM选中的工具函数get_currentDate
• tool_calls.id： 由LLM为这个函数指定的id，后面会用到

② 第二次request：

• messages.role.assistant: 告诉LLM我们这次请求包含了上次function calling的结果
• messages.role.tool： 上次function calling执行的结果2026-01-24

LLM的响应payload：

如第一次类似：
本例也有tool_calls:包含LLM选中的函数get_temperature() 和所有的参数beijing 2026-01-24。

③ 应用最后一次请求，包含所有信息

LLM推理认为不再需要外部工具，不再返回tool_calls,给出结合外部工具的对话结果。

从三次请求对话来看， LLM在三次对话的响应中体现了它的思考和逻辑步骤，应用持续被LLM引导做出行动，同时LLM也持续对应用的行为做出进一步观察和思考。

2. agent的实现原理

大模型是 AI 的大脑，其核心是理解自然语言，并做出回应，(文本)大模型本身只能接收一段文本，然后输出一段文本。

而当你希望大模型能使用一些工具自行获取所需的信息、执行一些动作，就需要使用 Tool 来实现了，拥有了 Tool 的大模型就像是拥有了手脚，可以和当下已有的 IT 基础设施进行交互。

RAG给LLM装上实时知识外挂， 通过将信息检索与文本生成结合，让模型能引用外部权威信息生成回答，既保证了时效性，又提升了准确性。

字节开源的Eino标榜的优势在于：

1. LangChain，LlamaIndex等主流框架虽然起源自python强大的AI生态，但是也继承了python“弱类型检查”和“长期维护成本高”的诟病。 Eino作为golang下的开源agent开发框架，规避了这一问题。

2. 另一方面， 借助字节系在agent领域的工程化实践，Eino既封装了领域内不变的通用核心和最佳实践，也能敏捷的反映业内技术动向。

Eino框架结构图：

Eino 有三大稳定内核： compose编排、components组件，common公共库。

组件一抹多,是原子能力的最小单位， 编排对这些组件进行组合、串连。

3. 中国首都今天的天气怎么样? 我母鸡啊

我们使用Eino框架来实现本文的题目：
what is the temperature in the capital of china today。

按照我们的分析，
从LLM的视角，要回答这个问题，经历了“思考-行动-观察-思考” 循环， 这是一个ReAct模式的agent。

下面基于阿里百炼千问大模型，实现了天气对话，请自行从阿里百炼平台申请的apiKey替换到54行。

package main

import (
	"context"
	"fmt"
	"log"
	"os"
	"time"

	"github.com/cloudwego/eino-ext/components/model/qwen"
	"github.com/cloudwego/eino/components/tool"
	"github.com/cloudwego/eino/components/tool/utils"
	"github.com/cloudwego/eino/compose"
	"github.com/cloudwego/eino/schema"
)

// what is  the temperature in the capital of china today

type weatherReqParam struct {
	City string `json:"city"  jsonschema:"description=the name of the city"`
	Date string `json:"date"  jsonschema:"description=the date in the format of YYYY-MM-DD， please use the result from get_currentDate tool"`
}

func GetTemperatureFunc(_ context.Context, p weatherReqParam) (float64, error) {
	// 这里直接mock一个温度值，实际应用中应该替换为真实的API调用
	return 32, nil
}

func GetCurrentDateFunc(_ context.Context, _ struct{}) (string, error) {
	return time.Now().Format("2006-01-02"), nil
}

func of[T any](t T) *T {
	return &t
}

func main() {
	getDateTool, err := utils.InferTool("get_currentDate", "Get the current date", GetCurrentDateFunc)
	if err != nil {
		panic(err)
	}
	getTemperatureTool, err := utils.InferTool("get_temperature", "Get the temperature in the capital of china", GetTemperatureFunc)
	if err != nil {
		panic(err)
	}

	// 初始化 tools
	weatherTools := []tool.BaseTool{
		getDateTool,
		getTemperatureTool,
	}

	apiKey := os.Getenv("DASHSCOPE_API_KEY")
	apiKey = "{}"  // 在阿里百炼平台申请签名
	modelName := os.Getenv("MODEL_NAME")
	modelName = "qwen3-max"
	chatModel, err := qwen.NewChatModel(context.Background(), &qwen.ChatModelConfig{
		BaseURL:     "https://dashscope.aliyuncs.com/compatible-mode/v1",
		APIKey:      apiKey,
		Timeout:     0,
		Model:       modelName,
		MaxTokens:   of(2048),
		Temperature: of(float32(0.7)),
		TopP:        of(float32(0.7)),
	})
	if err != nil {
		log.Fatalf("NewChatModel of qwen failed, err=%v", err)
	}

	var ctx = context.Background()
	// 获取工具信息并绑定到 ChatModel
	toolInfos := make([]*schema.ToolInfo, 0, len(weatherTools))
	for _, tool := range weatherTools {
		info, err := tool.Info(ctx)
		if err != nil {
			log.Fatal(err)
		}
		toolInfos = append(toolInfos, info)
	}
	err = chatModel.BindTools(toolInfos)
	if err != nil {
		log.Fatal(err)
	}

	// 创建 tools 节点
	weatherToolsNode, err := compose.NewToolNode(context.Background(), &compose.ToolsNodeConfig{
		Tools: weatherTools,
	})
	if err != nil {
		log.Fatal(err)
	}

	// 构建基于 Graph 的 Agent，实现 ReAct 模式（自动执行工具并生成自然语言回复）

	// 定义状态，用于保存对话历史
	type appState struct {
		messages []*schema.Message
	}

	graph := compose.NewGraph[[]*schema.Message, *schema.Message](
		compose.WithGenLocalState(func(ctx context.Context) *appState {
			return &appState{}
		}),
	)

	// 添加 ChatModel 节点
	err = graph.AddChatModelNode("qwen_chat_model", chatModel,
		compose.WithStatePreHandler(func(ctx context.Context, input []*schema.Message, state *appState) ([]*schema.Message, error) {
			// 如果是第一次进入（从 Start），将输入（用户问题）添加到历史
			if len(state.messages) == 0 {
				state.messages = append(state.messages, input...)
			}
			// 始终将完整的历史记录作为 ChatModel 的输入
			return state.messages, nil
		}),
		compose.WithStatePostHandler(func(ctx context.Context, output *schema.Message, state *appState) (*schema.Message, error) {
			// 将 ChatModel 的输出（可能是工具调用或最终回复）添加到历史
			state.messages = append(state.messages, output)
			return output, nil
		}),
	)
	if err != nil {
		log.Fatal(err)
	}

	// 添加 Tools 节点
	err = graph.AddToolsNode("agent_tools", weatherToolsNode,
		compose.WithStatePostHandler(func(ctx context.Context, output []*schema.Message, state *appState) ([]*schema.Message, error) {
			// 将工具执行结果添加到历史
			state.messages = append(state.messages, output...)
			return output, nil
		}),
	)
	if err != nil {
		log.Fatal(err)
	}

	// 添加边和分支
	_ = graph.AddEdge(compose.START, "qwen_chat_model")

	// 如果有工具调用，流转到 tools；否则结束
	_ = graph.AddBranch("qwen_chat_model", compose.NewGraphBranch(func(ctx context.Context, msg *schema.Message) (string, error) {
		if len(msg.ToolCalls) > 0 {
			return "agent_tools", nil
		}
		return compose.END, nil
	}, map[string]bool{"agent_tools": true, compose.END: true}))

	// 工具执行完后，回流到 chat_model 生成回复
	_ = graph.AddEdge("agent_tools", "qwen_chat_model")

	// 编译运行
	agent, err := graph.Compile(ctx)
	if err != nil {
		log.Fatal(err)
	}

	// 运行示例
	resp, err := agent.Invoke(ctx, []*schema.Message{
		{
			Role:    schema.User,
			Content: "what is the temperature in the capital of china today? ",
		},
	})
	if err != nil {
		log.Fatal(err)
	}

	// 输出结果
	fmt.Println(resp.Content)
}

一开始我参照的官网的chain编排Eino组件，但是得到的结果是数字“32”， 并不是LLM对话的类人语言。

使用Trae的编码agent，20s就帮我改成了Graph形式的正确编码， 输出：

The temperature in Beijing, the capital of China, today (January 28, 2026) is a warm 32°C! That’s quite hot for this time of year—make sure to stay hydrated and cool if you’re out and about!

本例实际也可以使用Chain来完成，chain是一种特殊的、简化的graph，chain不能回头，本例需要手动串起来，Chain更适合确定性的编排。

Graph就像一个自动化的流水线（loop），工人是 chat_model 和 tools ：

本例的Graph图如下，读者可以结合源代码理解。

1. START -> chat_model
   • ChatModel 拿到用户问题，思考后说：“我需要查日期。”（输出包含 ToolCall）
2. chat_model -> tools (由 Branch 判断)
   • Tools 听到指令，去查日期，得到 "2026-01-24"。
3. tools -> chat_model (由 AddEdge 强制流转)
   • ChatModel 再次被唤醒。这次它的输入包含了之前的历史（用户问题 + 刚才的 ToolCall + 刚才的结果）。
   • 它再次思考：“我知道日期了，现在我要查北京的温度。”（输出包含 ToolCall）
4. chat_model -> tools (再次循环)
   • Tools 去查温度，得到 "32度"。
5. tools -> chat_model (再次循环)
   • ChatModel 再次被唤醒。现在的输入更丰富了（所有历史）。
   • 它再次思考：“日期有了，温度也有了，我可以直接回答用户了。”（输出 不包含 ToolCall）
6. chat_model -> END (由 Branch 判断)
   • 循环结束。

最后我们重温全文，function calling（function tools）在agent中的作用：
在由LLM驱动的agent应用中，function calling（function tools）作为LLM的手脚，让LLM具备使用工具从外部获取最新信息并指导应用行为的能力，这一过程由结构化的输入输出参数来传递。