技术探索不迷路：从Function Calling到RAG的实战入门

大家好，我是VibeCoding的后端讲师，工作五年来带过不少零基础学员。今天写这篇教程，是因为最近很多初学者问我：“大模型很火，但我该怎么用它做点实际的东西？”——这让我想起自己刚接触AI编程时也是一头雾水。

别担心！这篇文章会带你亲手做出一个能查资料、会调函数的小助手，全程不用懂数学公式，只要会写简单代码就行。我们会重点搞懂两个关键词：Function Calling 和 RAG。它们就像AI的“手脚”和“外挂大脑”，让你的程序真正“聪明”起来。

---

一、这两个词到底在干啥？

先别被术语吓到，我用生活例子解释：

Function Calling = 给AI装“手”

想象你雇了个聪明但不能动的助理（大模型）。你说：“帮我查下天气。”
他只能回答：“我不知道。”
但如果你给他配个手机App（函数），他就能主动调用这个App去查天气，再告诉你结果。

这就是Function Calling：让AI在需要时自动调用你写的函数，获取实时数据或执行操作。

RAG = 给AI配“外挂笔记本”

假设你问AI：“我们公司上周的项目进展如何？”
普通AI会瞎猜（因为训练数据里没有你们公司的内部信息）。
但如果你提前把项目文档喂给它，它就能精准引用文档内容作答。

这就是RAG（Retrieval-Augmented Generation）：先从你的资料库中检索相关信息，再让AI基于这些信息生成回答。

💡 我当初学的时候，以为必须精通机器学习才能玩这些。后来发现：只要会调API+写函数，就能搭出实用系统！

---

二、动手前的环境准备

我们用Python（最友好的入门语言）+ 开源工具链，全程免费！

需要安装什么？

工具	作用	安装命令
Python 3.8+	编程语言基础	官网下载
pip	Python包管理器	自带无需单独装
openai	调用大模型API	pip install openai
langchain	快速实现RAG	pip install langchain
faiss-cpu	向量数据库（存资料）	pip install faiss-cpu

获取API密钥（关键步骤！）

1. 访问 OpenAI平台
2. 注册账号（支持国内手机号）
3. 进入 API Keys 页面 → Create new secret key
4. 复制密钥，保存到本地文件 .env（内容：OPENAI_API_KEY=你的密钥）

⚠️ 注意：密钥不要提交到GitHub！后续代码会自动读取.env文件

---

三、核心概念拆解：用代码说话

1. Function Calling 实战

先写个能查天气的函数：

# weather_tool.py
import requests

def get_weather(city: str) -> str:
    """查询城市天气的函数"""
    url = f"http://wttr.in/{city}?format=3"
    response = requests.get(url)
    return response.text.strip()

现在让AI学会调用它：

# function_calling_demo.py
from openai import OpenAI
import json

client = OpenAI()

# 告诉AI有哪些函数可用
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名，如'北京'"}
                },
                "required": ["city"]
            }
        }
    }
]

# 用户提问
messages = [{"role": "user", "content": "上海今天天气怎么样？"}]

# 请求AI（要求它考虑是否调用函数）
response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=messages,
    tools=tools,
    tool_choice="auto"  # 让AI自动决定是否调用
)

# 检查AI是否要调用函数
tool_call = response.choices[0].message.tool_calls
if tool_call:
    # 执行函数
    city = json.loads(tool_call[0].function.arguments)["city"]
    weather_result = get_weather(city)
    
    # 把结果告诉AI，让它生成最终回答
    messages.append(response.choices[0].message)
    messages.append({
        "role": "tool",
        "tool_call_id": tool_call[0].id,
        "content": weather_result
    })
    
    final_response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=messages
    )
    print(final_response.choices[0].message.content)

运行效果：

上海目前多云，气温22°C。

🔑 关键逻辑：

1. AI先返回“我要调用get_weather函数”
2. 程序执行函数拿到真实数据
3. 把数据塞回对话，AI据此生成自然语言回答

2. RAG 实战：打造你的知识库

假设你有份《公司产品手册.txt》，想让AI基于它回答问题。

步骤1：把文档切成小段

from langchain.text_splitter import CharacterTextSplitter

with open("产品手册.txt", encoding="utf-8") as f:
    text = f.read()

text_splitter = CharacterTextSplitter(
    chunk_size=300,  # 每段300字符
    chunk_overlap=50 # 相邻段重叠50字符防断句
)
chunks = text_splitter.split_text(text)

步骤2：把文本转成向量存进数据库

from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings

# 用OpenAI的embedding模型转换文本
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_texts(chunks, embeddings)

步骤3：提问时自动检索+生成答案

from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo")
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=vectorstore.as_retriever()
)

answer = qa_chain.run("我们的旗舰产品有什么特点？")
print(answer)

背后发生了什么？
文字描述流程图：

用户提问 → 在向量库中找最相关的3段文档 → 把文档+问题一起发给AI → AI基于文档生成答案

💡 为什么需要切分文档？
大模型有输入长度限制（比如最多4096字），长文档必须切块处理

---

四、综合实战：做个智能客服机器人

现在把Function Calling和RAG结合起来！目标：
✅ 能回答公司产品问题（用RAG）
✅ 能查询订单状态（用Function Calling）

1. 准备材料

• 产品手册.txt（公司产品介绍）
• 模拟订单查询函数

# order_tool.py
def get_order_status(order_id: str) -> str:
    """模拟查询订单状态"""
    # 实际项目这里会调数据库或API
    fake_db = {
        "ORD123": "已发货",
        "ORD456": "处理中"
    }
    return fake_db.get(order_id, "订单不存在")

2. 主程序整合

# smart_agent.py
import os
from dotenv import load_dotenv
from openai import OpenAI
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.text_splitter import CharacterTextSplitter

load_dotenv()  # 读取.env中的API密钥
client = OpenAI()

# 初始化RAG组件
with open("产品手册.txt", encoding="utf-8") as f:
    text = f.read()
text_splitter = CharacterTextSplitter(chunk_size=300, chunk_overlap=50)
chunks = text_splitter.split_text(text)
vectorstore = FAISS.from_texts(chunks, OpenAIEmbeddings())

# 定义可用工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_order_status",
            "description": "查询订单状态",
            "parameters": {"type": "object", "properties": {
                "order_id": {"type": "string"}
            }, "required": ["order_id"]}
        }
    }
]

def handle_query(user_input: str):
    # 第一步：用RAG检索相关产品知识
    relevant_docs = vectorstore.similarity_search(user_input, k=2)
    context = "\n".join([doc.page_content for doc in relevant_docs])
    
    # 第二步：构造包含上下文的对话
    messages = [
        {"role": "system", "content": f"你是个客服，参考以下资料回答：{context}"},
        {"role": "user", "content": user_input}
    ]
    
    # 第三步：请求AI（允许调用工具）
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=messages,
        tools=tools,
        tool_choice="auto"
    )
    
    # 第四步：处理函数调用（如有）
    tool_call = response.choices[0].message.tool_calls
    if tool_call:
        func_name = tool_call[0].function.name
        args = eval(tool_call[0].function.arguments)  # 实际项目用json.loads更安全
        
        if func_name == "get_order_status":
            result = get_order_status(args["order_id"])
        
        # 返回最终答案
        messages.append(response.choices[0].message)
        messages.append({"role": "tool", "content": result, "tool_call_id": tool_call[0].id})
        
        final_resp = client.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=messages
        )
        return final_resp.choices[0].message.content
    
    return response.choices[0].message.content

# 测试
print(handle_query("旗舰产品支持5G吗？"))      # 触发RAG
print(handle_query("订单ORD123到哪了？"))    # 触发Function Calling

运行效果：

是的，旗舰产品X1支持5G网络，最高下载速度可达2Gbps。
您的订单ORD123已发货，预计明天送达。

---

五、新手常见问题急救包

❓ 问题1：API调用总报错"Invalid API Key"

• 原因：密钥没正确加载
• 解决：
  1. 确认.env文件和代码在同一目录
  2. 文件内容格式：OPENAI_API_KEY=sk-xxxxxx（等号两边无空格）
  3. 代码开头加 from dotenv import load_dotenv; load_dotenv()

❓ 问题2：RAG返回的答案和文档无关

• 原因：文档切分太碎或向量检索不准
• 解决：
  • 调大chunk_size（比如500）
  • 检查文档编码（用encoding="utf-8"打开）
  • 在提问时加提示词：“请严格根据提供的资料回答”

❓ 问题3：Function Calling不触发

• 原因：函数描述不够清晰
• 解决：
  • 在description里明确使用场景，例如：“当用户询问订单、物流、配送时调用此函数”
  • 参数说明要具体：“订单ID格式为ORD+三位数字”

❓ 问题4：运行速度慢

• 优化方案：
  • 用gpt-3.5-turbo代替gpt-4（便宜10倍+快3倍）
  • 向量数据库首次创建后保存到磁盘：vectorstore.save_local("faiss_index")，下次直接加载

---

六、下一步学习路线图

你已经掌握了AI应用开发的核心模式！接下来可以：

🔹 深化方向

方向	推荐资源	关键技能
更复杂的Agent	LangChain官方文档	记忆管理、多工具协作
私有化部署	LlamaIndex + 本地模型	无需联网的AI应用
生产级优化	FastAPI + 异步调用	高并发接口设计

🔹 避坑指南（血泪经验！）

1. 别一上来就搞大模型微调：90%的场景用Function Calling+RAG就够了
2. 测试时打印中间结果：比如AI选择的函数参数、检索到的文档片段
3. 成本控制：在代码里加token计数器，避免意外高额账单

最后送大家一句话：技术探索不是比谁懂的理论多，而是看谁能快速做出可运行的原型。你现在手里的代码，已经是很多创业公司的MVP（最小可行产品）了！

动手试试吧！遇到问题欢迎在评论区留言，我会一一解答。下期我们聊聊《如何用30行代码搭建AI搜索框》，记得关注～