GLM Function Calling 完整示例与提示词模板

Function Calling 是把 GLM 从「会聊天」变成「能干活」的关键开关。本文基于 BigModel API 平台的工具调用机制，给出可直接复制的定义模板和调用流程，帮你少走弯路。

一、GLM 工具调用的基本机制

GLM 系列（含 GLM-5 等推理向模型）在 Chat Completions 接口中通过 tools 参数声明工具，模型返回 tool_calls 后，由你的代码执行真实函数并把结果以 role="tool" 消息回传。注意几点：

• 模型本身不执行函数，只决定「调不调、调哪个、传什么参数」；
• tool_choice="auto" 让模型自行判断，设为具体函数名可强制调用；
• 工具结果必须带对应的 tool_call_id，否则下一轮会报错。

参数 schema 建议用 JSON Schema 严格描述，GLM 对字段描述的遵循度直接取决于你写得多清楚。

二、工具定义模板（可直接复制）

json
{
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_weather",
        "description": "查询指定城市当前天气。当用户询问天气、气温、降水、穿衣建议时调用。",
        "parameters": {
          "type": "object",
          "properties": {
            "city": {
              "type": "string",
              "description": "城市中文名，如：北京"
            },
            "date": {
              "type": "string",
              "description": "查询日期，格式 YYYY-MM-DD，不填默认今天"
            }
          },
          "required": ["city"]
        }
      }
    }
  ],
  "tool_choice": "auto"
}

description 是最容易偷懒也最影响效果的字段。写清「什么时候该调用」，GLM 的触发准确率会明显提升。

三、完整调用流程与系统提示词

配合上面的工具，系统提示词这样写：

你是一个天气助手，可调用 get_weather 工具查询实时天气。
规则：
1. 用户问到天气相关问题时必须调用工具，不要凭记忆编造数据；
2. 用户未指明城市时先追问，不要猜测；
3. 工具返回失败时如实告知，不要生成假数据；
4. 回答用简体中文，只报告工具返回的字段。

Python 侧的调用骨架：

python
from zhipuai import ZhipuAI

client = ZhipuAI(api_key="你的KEY")

messages = [
    {"role": "system", "content": SYSTEM_PROMPT},
    {"role": "user", "content": "北京今天适合跑步吗？"}
]

resp = client.chat.completions.create(
    model="glm-4-plus",  # 以 BigModel 官方页面提供的可用模型为准
    messages=messages,
    tools=tools,
    tool_choice="auto",
)

msg = resp.choices[0].message
if msg.tool_calls:
    for tc in msg.tool_calls:
        result = execute(tc.function.name, tc.function.arguments)
        messages.append(msg)
        messages.append({
            "role": "tool",
            "tool_call_id": tc.id,
            "content": result
        })
    final = client.chat.completions.create(
        model="glm-4-plus", messages=messages, tools=tools)
    print(final.choices[0].message.content)

四、多工具与并行调用

复杂场景可以声明多个工具，GLM 会根据语义自动路由。比如同时挂 get_weather 和 search_poems，问「下雨天读什么诗」时，模型可能先查天气再推荐内容，一次响应里返回多个 tool_calls。你的执行器应该支持循环处理每个 tool_call，逐条回传结果。

五、常见坑位

1. arguments 是 JSON 字符串：需要 json.loads 后再执行，别直接当对象用； 2. 开启 thinking 深度思考模式时，注意解析返回结构中的思考内容字段与最终答案字段，具体字段名以官方文档为准； 3. 工具描述冲突：两个工具 description 语义重叠会导致随机调用，尽量让职责互斥； 4. 参数幻觉：required 字段务必列全，并在 description 里写明取值格式； 5. 流式输出下 tool_calls 是分片到达的，需要拼接 delta。

对比 GPT、Claude 或 DeepSeek 的函数调用，GLM 的协议结构基本对齐 OpenAI 风格，已有 OpenAI SDK 代码迁移成本不高；中文参数描述的理解是它相对顺手的场景。把工具定义和系统提示词当代码来维护、写测试用例验证触发准确率，是这类功能稳定上线的前提。