跳转到主要内容
Gemini 原生格式完整支持 Function Calling：模型输出”想调哪个函数 + 参数”，你本地执行后把结果回传，模型给出最终回答。整体循环与 OpenAI 的 FC 一致，但字段格式完全不同，不能混用。 本页基于 Google 官方文档整理（ai.google.dev/gemini-api/docs/function-calling，2026年6月数据）。

​
与 OpenAI 格式的差异速查

Gemini 原生OpenAI
工具定义tools: [{"function_declarations": [...]}]tools: [{"type": "function", ...}]
调用返回part 里的 function_call（name + args 对象）tool_calls / function_call item（arguments 是 JSON 字符串）
结果回传Part(function_response=...)role:"tool" 消息 / function_call_output item
调用策略tool_config.function_calling_config.mode：AUTO / ANY / NONEtool_choice：auto / required / none
多轮推理状态Gemini 3 需回传思维签名无此要求
注意一个易错点：Gemini 的 function_call.args 是结构化对象，不是 JSON 字符串，不需要 json.loads。

​
完整调用循环

from google import genai
from google.genai import types

client = genai.Client(
    api_key="YOUR_API_KEY",
    http_options={"base_url": "https://api.apiyi.com"}
)

# 1. 定义工具
tools = [{
    "function_declarations": [{
        "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"},
                "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
            },
            "required": ["city"]
        }
    }]
}]

# 2. 第一次请求：模型决定调函数
contents = [types.Content(role="user", parts=[types.Part(text="北京现在多少度？")])]

r1 = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=contents,
    config={"tools": tools}
)

call = r1.candidates[0].content.parts[0].function_call
print(f"模型想调用: {call.name}, 参数: {dict(call.args)}")

# 3. 本地执行（这里用假数据代替真实查询）
weather = {"city": call.args["city"], "temp": 26, "condition": "晴"}

# 4. 回传结果：把模型的回复（含 function_call 及思维签名）和函数结果一起加进历史
contents.append(r1.candidates[0].content)
contents.append(types.Content(
    role="user",
    parts=[types.Part(
        function_response=types.FunctionResponse(name=call.name, response=weather)
    )]
))

r2 = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=contents,
    config={"tools": tools}
)
print(r2.text)
Gemini 3 系列的思维签名（thought signature）必须回传：模型返回的 function_call part 里带有加密的 thought_signature，第二次请求时要把整个模型回复 Content 原样加进历史（如上例第 4 步），签名缺失会导致推理链断裂甚至请求报错。用官方 google-genai SDK 按上面的写法即可自动带上；手写 REST 请求时不要剥掉该字段。

​
调用模式（mode）

config = {
    "tools": tools,
    "tool_config": {"function_calling_config": {"mode": "AUTO"}}
}
模式行为
AUTO（默认推荐）模型自行决定调不调
ANY强制必须调用某个函数；可配 allowed_function_names 限定范围
NONE禁止调用，只生成文本
# 强制只能调 get_weather
config = {
    "tools": tools,
    "tool_config": {
        "function_calling_config": {
            "mode": "ANY",
            "allowed_function_names": ["get_weather"]
        }
    }
}

​
并行与多步调用

  • 并行调用：一轮里模型可能返回多个 function_call part（如同时查两个城市），逐个执行后把全部 function_response 一起回传
  • 多步调用：模型可以”调函数 → 看结果 → 再调下一个”链式推进，循环处理直到响应里不再有 function_call。给循环设最大轮数，避免失控烧钱
# 通用 Agent 循环骨架
MAX_ROUNDS = 5
for _ in range(MAX_ROUNDS):
    response = client.models.generate_content(
        model="gemini-3.5-flash", contents=contents, config={"tools": tools}
    )
    parts = response.candidates[0].content.parts
    calls = [p.function_call for p in parts if getattr(p, "function_call", None)]
    if not calls:
        print(response.text)  # 没有函数调用了，输出最终回答
        break

    contents.append(response.candidates[0].content)  # 含思维签名，原样入历史
    result_parts = [
        types.Part(function_response=types.FunctionResponse(
            name=c.name, response=execute(c.name, dict(c.args))
        ))
        for c in calls
    ]
    contents.append(types.Content(role="user", parts=result_parts))

​
最佳实践

  • description 写给模型看：说清”什么时候该调我”，参数能用 enum 收窄就别用自由字符串
  • 工具定义保持稳定：参与缓存前缀匹配，频繁变动会破坏 缓存命中
  • 需要确定性 JSON 输出而非调用外部工具时，考虑用 response_schema 结构化输出代替 FC（见 原生调用 参数表）
  • 沙箱计算类任务可以直接用 code_execution 工具，不必自己实现计算函数

​
常见踩坑

现象处理
第二轮报错 / 回答前后矛盾模型回复（含思维签名）没有原样加进历史 —— 整个 candidates[0].content 都要 append
对 args 做 json.loads 报错Gemini 的 args 是对象不是字符串，直接 dict(call.args)
模型不调函数description 不够明确；或改用 mode: "ANY" 强制
用 OpenAI 格式的 tools 定义报错两套格式不能混用，按上文 function_declarations 格式改写

​
相关链接