摘要：在 Semantic Kernel 中，函数调用的过程被大幅简化：它会自动将你的函数和参数描述给模型，并处理模型与代码之间的沟通。了解这一机制对优化代码、充分发挥函数调用的优势至关重要。
ChatCompletion最强大功能之一就是能够从模型中调用函数。这让你可以基于现有代码创建聊天机器人，实现自动化业务流程、生成代码片段等功能。
在 Semantic Kernel 中，函数调用的过程被大幅简化：它会自动将你的函数和参数描述给模型，并处理模型与代码之间的沟通。了解这一机制对优化代码、充分发挥函数调用的优势至关重要。
函数调用的工作原理可以分为以下几个步骤：
1. 序列化函数将所有可用的函数（及其输入参数）使用 JSON Schema 进行序列化。
2. 发送消息和函数到模型将序列化后的函数（以及当前聊天历史）作为输入发送到模型。
3. 模型处理输入模型处理输入，并生成响应。响应可以是普通的聊天消息，也可以是一个或多个函数调用。
4. 处理模型返回的响应如果返回的是普通聊天消息，直接返回给调用方。如果返回的是函数调用，则解析出函数名称及其参数。5. 执行函数使用提取出的函数名称和参数，在 Kernel 中调用相应的函数。
6. 返回函数结果函数调用的结果会作为聊天历史的一部分发送回模型。然后，步骤 2-6 会重复执行，直到模型返回普通的聊天消息或达到最大迭代次数。除了用户（User）、助手（Assistant）和系统（System）这几种角色外，你还可以使用工具（Tool）角色来模拟函数调用。这对于让 AI 学习如何使用插件，或者在对话中提供额外的背景信息非常有帮助。比如，如果你想让 AI 了解用户的信息（比如过敏情况），但又不希望用户每次都手动输入，也不想让 AI 反复询问，你可以用 工具（Tool） 角色直接把这些信息提供给 AI。
下面是一个示例，我们通过模拟调用“用户插件”，把用户的过敏信息直接提供给助手，让 AI 知道用户的饮食限制。
模拟函数调用在提供当前用户的详细信息时特别有用。如今的大型语言模型（LLM）对用户信息非常敏感。即使你在系统消息中提供了用户信息，LLM 仍然可能选择忽略它。但如果你通过用户消息（User Message）或工具消息（Tool Message）提供这些信息，LLM 更有可能正确使用它。
// 添加一个来自助手的模拟函数调用chatHistory.Add(
new {
Role = AuthorRole.Assistant,
Items = [
new FunctionCallContent(
functionName: "get_user_allergies", // 函数名称：获取用户过敏信息
pluginName: "User", // 插件名称：用户（User）
id: "0001", // 调用 ID
arguments: new { {"username", "laimonisdumins"} } // 参数：用户名 laimonisdumins
),
id: "0002", // 调用 ID
arguments: new { {"username", "emavargova"} } // 参数：用户名 emavargova
)
]
}
);
// 添加来自工具角色的模拟函数返回结果
chatHistory.Add(
new {
Role = AuthorRole.Tool,
Items = [
new FunctionResultContent(
id: "0001", // 调用 ID
result: "{ \"allergies\": [\"peanuts\", \"gluten\"] }"// 返回结果：用户对花生和麸质过敏
)
]
}
);
chatHistory.Add(
new {
Items = [
id: "0002", // 调用 ID
result: "{ \"allergies\": [\"dairy\", \"soy\"] }"// 返回结果：用户对乳制品和大豆过敏
)
]
}
);
在模拟工具（Tool）返回结果时，必须始终提供与之对应的函数调用 ID。这是让 AI 理解返回结果上下文的重要信息。某些大型语言模型（LLM），比如 OpenAI，如果缺少 ID 或 ID 与函数调用不匹配，可能会抛出错误。
C# 版的函数调用示例，模拟了一个书籍订购插件（OrderBookPlugin），它提供了添加书籍到购物车、从购物车中移除书籍、获取购物车内容等功能。
配置Azure OpenAI
builder.Services.AddSingleton(sp =>{
var kernel = Kernel.CreateBuilder
.AddAzureOpenAIChatCompletion(
deploymentName: "gpt-4.1", // 你在 Azure 上配置的模型部署名称
endpoint: "",
apiKey: ""
).Build;
var logger=kernel.LoggerFactory;
kernel.ImportPluginFromType("Time");
kernel.ImportPluginFromType("OrderBook");
returnkernel;
});
新增 OrderBookPlugin
public classOrderBookPlugin{
privatereadonly List _bookMenu;
privatereadonly Dictionary _userCarts;
privatereadonly List _carts;
privatereadonly List _bookTags;
// 模拟的数据
publicOrderBookPlugin
{
// 假设的书籍菜单
_bookMenu = new List
{
new Book { Id =1, Name = "自控力", Price =8.99}, // The Power of Self-Control -> 自控力
new Book { Id =2, Name = "人类简史", Price =9.99}, // Sapiens: A Brief History of Humankind -> 人类简史
new Book { Id =3, Name = "活着", Price =10.99}, // To Live -> 活着
new Book { Id =4, Name = "百年孤独", Price =12.99}, // One Hundred Years of Solitude -> 百年孤独
new Book { Id =5, Name = "围城", Price =11.99}, // Fortress Besieged -> 围城
new Book { Id =6, Name = "平凡的世界", Price =10.49} // Ordinary World -> 平凡的世界
};
// 模拟的书籍标签
_bookTags = new List
{
new BookTag { Id =1, Name = "励志" }, // Motivational -> 励志
new BookTag { Id =2, Name = "历史" }, // History -> 历史
new BookTag { Id =3, Name = "小说" }, // Novel -> 小说
new BookTag { Id =4, Name = "哲学" }, // Philosophy -> 哲学
new BookTag { Id =5, Name = "社会学" }, // Sociology -> 社会学
new BookTag { Id =6, Name = "文学" } // Literature -> 文学
};
// 模拟用户购物车
_userCarts = new Dictionary;
_carts = new List;
}
[KernelFunction("get_book_menu")]
public Task> GetBookMenuAsync
{
return Task.FromResult(_bookMenu);
}
[KernelFunction("add_book_to_cart")]
[Description("添加书籍到用户购物车;返回新添加的书籍并更新购物车")]
public TaskAddBookToCart(
[Description("书名，例如《自控力》")] string name,
[Description("数量")] int quantity =1)
{
// 假设用户只有一个购物车，并使用随机 ID 来生成 cartId
Guid cartId = Guid.NewGuid;
var book = _bookMenu.FirstOrDefault(b => b.Name == name);
if (book == ) return Task.FromResult(new CartDelta { Success =false});
var cart = new Cart
{
Id = cartId,
Items = new List
{
new CartItem { Book = book, Quantity = quantity }
},
TotalPrice = book.Price * quantity
};
_userCarts[cartId] = cart;
_carts.Add(cart);
return Task.FromResult(new CartDelta { Success =true, Cart = cart });
}
[KernelFunction("remove_book_from_cart")]
public TaskRemoveBookFromCart(int bookId)
{
// 假设我们从用户的购物车移除指定的书籍
var cart = _carts.FirstOrDefault(c => c.Items.Any(i => i.Book.Id == bookId));
if (cart == ) return Task.FromResult(new RemoveBookResponse { Success =false});
var item = cart.Items.FirstOrDefault(i => i.Book.Id == bookId);
if (item != )
{
cart.Items.Remove(item);
cart.TotalPrice -= item.Book.Price * item.Quantity;
}
return Task.FromResult(new RemoveBookResponse { Success =true});
}
[KernelFunction("get_book_from_cart")]
[Description("返回用户购物车中书籍的详情; 使用此方法，而不是依赖之前的消息，因为购物车可能已经发生了变化.")]
public TaskGetBookFromCart(int bookId)
{
var cartItem = _carts.SelectMany(c => c.Items).FirstOrDefault(i => i.Book.Id == bookId);
return Task.FromResult(cartItem?.Book);
}
[KernelFunction("get_cart")]
[Description("返回用户当前的购物车，包含总价和购物车中的所有商品.")]
public Task> GetCart
{
// 这里假设只返回第一个用户的购物车
return Task.FromResult(_carts);
}
[KernelFunction("checkout")]
[Description("这个函数主要负责将用户购物车中的商品进行结算.")]
public TaskCheckout
{
// 模拟结账过程
double totalAmount =0;
_carts.ForEach(cart => totalAmount += cart.TotalPrice);
if (_carts == ) return Task.FromResult(new CheckoutResponse { Success =false});
_carts.Clear; // 清空购物车
return Task.FromResult(new CheckoutResponse { Success =true, TotalAmount = totalAmount });
}
}
Semantic Kernel（SK）提供了一个强大的函数调用机制，它封装了与模型交互的复杂细节，让你可以更专注于业务逻辑的实现。SK 自动处理函数注册、参数绑定、模型调用等步骤，大大简化了开发流程。
这里假设你在使用 OpenAI Function Calling（或 Azure OpenAI）时，手动处理每一步，并对比 SK 替你做了哪些工作。
原始流程步骤 vs Semantic Kernel 封装对比
步骤
Function Calling 原始做法（自己做）
SK 帮你封装
1. 函数注册与描述构建
• 手动用 JSON 构建每个函数的 schema（name、description、parameters）
• 指定类型、必填字段、枚举等
• 自动反射 [KernelFunction] 和参数描述
• 构建 JSON Schema
2. 组织聊天历史
• 自己构造 messages 列表：用户消息、助手回复、函数调用请求• 用 ChatHistory 自动管理
• 自动记录调用内容
3. 将函数定义与聊天记录发给模型
• 把函数定义 + 聊天记录打包到 HTTP 请求体
• 发送给 /v1/chat/completions
•GetChatMessageContentAsync(...) 一句完成
4. 解析模型返回，判断是否为函数调用
• 检查 finish_reason == "function_call"• 提取函数名、参数 JSON
• 自动检查响应结构
• 自动识别是否为工具调用
5. 参数绑定
• 把 JSON 字符串手动 JsonConvert.Deserialize
• 处理类型不匹配 / 丢失字段
• 自动转换为 C# 参数类型
• 支持默认值、必填校验
6. 执行对应的函数逻辑
• 自己手动查找函数（基于名称）
• 调用函数 + try/catch
• 自动找到已注册插件函数并调用
7. 错误处理与恢复机制
• 捕获错误
• 生成 fallback 消息
• 通知模型
• 自动捕获异常，返回默认失败响应
8. 函数结果回写到聊天历史
• 自己构造 tool 角色的响应 JSON
• 自动封装为 FunctionResultContent 并追加
9. 模型继续生成最终回复
• 再次发送新的消息上下文给模型
• 包含 tool result + prompt
• GetChatMessageContentAsync 自动完成
Semantic Kernel 帮你自动处理了函数注册、上下文维护、参数绑定、模型调用、函数执行和结果回写，让你几乎只需要写业务逻辑函数，剩下的复杂流程都由它接管了。这大大简化了函数调用的开发流程，让你可以更专注于业务逻辑的实现，而不是底层的细节处理。
源代码地址
Open AI 原生Function Calling
https://platform.openai.com/docs/guides/function-calling?api-mode=responses#additional-configurations
来源：opendotnet