ChatGPT Tools 调用实战：基于 OpenAI Python SDK 实现系统命令执行

安全提示： 在生产环境中直接暴露 Shell 命令执行存在严重安全风险（如命令注入）。建议对输入命令进行严格的白名单校验，或使用沙箱环境隔离执行。

3. 构建 Tools Schema

OpenAI 要求工具定义必须符合 JSON Schema 规范。我们需要将上述函数封装为模型可识别的结构。

tools = [{
    "type": "function",
    "function": {
        "name": "do_command",
        "description": "执行 Linux 或 Windows 系统命令，用于获取系统信息或运行脚本",
        "parameters": {
            "type": "object",
            "properties": {
                "command": {
                    "type": "string",
                    "description": "要执行的完整命令字符串，例如 'ls -l' 或 'python --version'"
                }
            },
            "required": ["command"]
        }
    }
}]

注意：参数类型必须明确，避免使用未定义的 list 或 array 除非 schema 中显式定义。

4. 消息循环处理逻辑

这是核心部分。当模型返回 tool_calls 时，我们需要解析参数、执行函数、并将结果追加到消息历史中，再次发送给模型以获取最终回答。此过程可能需要多次迭代。

def parse_function_call(model_response, messages):
    """
    处理模型响应，若包含工具调用则执行并递归处理
    :param model_response: OpenAI 返回的响应对象
    :param messages: 当前的消息历史列表
    """
    # 复制消息列表以避免修改原引用
    _messages = messages.copy()
    
    # 添加助手回复到历史记录
    assistant_msg = model_response.choices[0].message.model_dump()
    _messages.append(assistant_msg)

    # 检查是否存在工具调用
    if model_response.choices[0].message.tool_calls:
        tool_call = model_response.choices[0].message.tool_calls[0]
        model_name = model_response.model
        args_str = tool_call.function.arguments
        
        function_result = {}
        
        # 根据函数名分发执行逻辑
        if tool_call.function.name == "do_command":
            try:
                args = json.loads(args_str)
                function_result = do_command(**args)
            except json.JSONDecodeError:
                function_result = {"error": "Invalid arguments format"}
            except Exception as e:
                function_result = {"error": str(e)}

            # 将工具执行结果作为 tool 角色消息追加
            _messages.append({
                "role": "tool",
                "content": json.dumps(function_result),
                "tool_call_id": tool_call.id
            })

            print("当前消息历史:")
            for msg in _messages:
                print(f"Role: {msg.get('role')}, Content: {str(msg.get('content'))[:50]}...")

            # 发送更新后的消息给模型
            response = client.chat.completions.create(
                model=model_name,
                messages=_messages,
                tools=tools
            )
            
            # 递归处理后续可能的工具调用
            if response.choices[0].message.tool_calls:
                return parse_function_call(response, _messages)
            else:
                _messages.append(response.choices[0].message.model_dump())
                return _messages
    else:
        # 如果没有工具调用，直接返回最终消息
        _messages.append(assistant_msg)
        return _messages

关键点说明：

1. Tool Call ID 一致性：如果第一次执行报错，模型可能会重试，但 tool_call_id 保持不变。必须确保每次针对同一 ID 的回复都正确关联。
2. 并行调用支持：上述代码仅处理了单个工具调用。实际场景中模型可能并行调用多个工具，需遍历 tool_calls 列表。
3. 内容非空：即使有 tool_calls，content 字段也可能包含文本，需同时保留。

5. 完整调用示例

以下是一个完整的交互流程，演示如何发起查询 Python 版本的请求。

if __name__ == "__main__":
    messages = []
    
    # 设置系统提示词
    messages.append({
        "role": "system", 
        "content": f"当前运行环境是：{os.name}"
    })
    
    # 用户提问
    messages.append({
        "role": "user", 
        "content": "查询当前环境的 Python 版本"
    })

    # 首次请求
    resp = client.chat.completions.create(
        messages=messages,
        model="gpt-4o-2024-05-13",
        tools=tools
    )

    # 处理响应
    final_messages = parse_function_call(resp, messages)

    # 打印最终对话记录
    print("\n=== 最终对话记录 ===")
    for msg in final_messages:
        print(f"[{msg['role']}]: {msg.get('content', '')}")

预期输出示例：

1. 用户询问版本。
2. 模型生成 tool_calls 请求执行 python --version。
3. 程序捕获输出 Python 3.11.6。
4. 程序将结果反馈给模型。
5. 模型生成自然语言回答："当前的 Python 版本是：Python 3.11.6"。

6. 最佳实践与安全建议

在使用 LLM Tools 时，除了功能实现，还需关注以下方面：

1. 权限控制：不要赋予模型过高的系统权限。尽量限制其只能访问特定的目录或执行预定义的命令。
2. 异常处理：网络波动或 API 限流可能导致调用失败，建议在 parse_function_call 中加入重试机制。
3. 缓存机制：对于相同的命令输入，可以缓存结果以减少不必要的 API 调用和延迟。
4. 对比 LangChain：原生 OpenAI API 提供了更底层的控制，适合自定义复杂的调用逻辑；而 LangChain 等框架封装了更多细节，但在某些高级场景下灵活性不如原生 API。

7. 总结

通过本文的示例，我们实现了让 ChatGPT 自主调用本地函数的能力。Tools 功能极大地扩展了大模型的应用边界，使其从单纯的文本生成转变为具备行动能力的智能代理。在实际项目中，建议结合业务需求设计安全的工具集，并持续优化消息管理策略以提升交互体验。