让本地大模型像 OpenAI 一样支持 Function Calling：PHP 异步实现实战
核心价值：让本地运行的 Qwen3、Deepseek-Coder-V3、GLM4-Chat 等模型，像 OpenAI GPT-4 一样支持原生的 Function Calling / Tool Calls 能力。通过
pfinal-asyncio异步框架，实现完全兼容 OpenAI 接口规范的工具调用，并发执行性能提升 200%-500%，零 API 费用，数据完全本地化。
为什么需要本地模型的 Function Calling？
OpenAI 的 GPT-4 原生支持 Function Calling，你只需要在 API 请求中传入 tools 参数，模型就能自动识别何时调用工具、如何解析参数。但对于很多场景来说，使用 OpenAI API 存在以下问题：
- 💰 成本问题：API 调用费用不菲，高频使用成本高
- 🔒 数据隐私：敏感数据需要上传到云端，存在泄露风险
- 🌐 网络依赖：需要稳定的网络连接，离线场景无法使用
- ⚡ 响应延迟：网络往返增加延迟，影响用户体验
本地模型的优势：
- ✅ 零成本：完全本地运行，无 API 费用
- ✅ 数据安全：数据不出本地，隐私完全可控
- ✅ 离线可用：无需网络连接，随时随地可用
- ✅ 低延迟：本地推理，响应速度快
但问题是：本地模型（如 Qwen3、Deepseek、GLM4）虽然能力很强，却不一定完全兼容 OpenAI 的 Function Calling 协议。
好消息是：通过 Ollama 这类本地部署工具，配合正确的协议实现，我们可以让这些本地模型完全像 OpenAI 一样工作。这就是本文要解决的问题。
Function Calling 工作原理
Function Calling 的核心流程是：
- 你定义一组工具（Tools Definition），用 JSON Schema 描述每个工具的功能和参数
- 模型在推理时判断是否需要调用工具，如果需要，返回结构化的
tool_calls数组 - 你的代码执行这些工具调用（这里是性能优化的关键点）
- 把执行结果回传给模型
- 模型基于工具结果生成最终答案
听起来简单，但有两个技术难点：
- 协议兼容性：如何让本地模型理解并返回符合 OpenAI 规范的
tool_calls - 性能优化：如何高效并发执行多个工具调用
为什么需要异步？
当模型一次性要调用多个工具时，传统的 PHP 同步模式会串行执行：
php
// 传统同步模式
$weather1 = get_weather('北京'); // 等待 1 秒
$weather2 = get_weather('上海'); // 再等 1 秒
$price = get_stock('600519'); // 再等 1 秒
// 总共 3 秒！这三个请求明明可以同时发出去，为什么要排队？这就是异步的价值。用 pfinal-asyncio 之后：
php
// 异步并发模式
$results = gather(
async(fn() => get_weather('北京')),
async(fn() => get_weather('上海')),
async(fn() => get_stock('600519'))
);
// 总共 1 秒（取决于最慢的那个）性能提升很明显，特别是工具数量多的时候。但更重要的是，异步执行让整个 Function Calling 流程更加高效，接近 OpenAI 的体验。
环境准备
先说下技术栈：
- PHP 8.1+（需要 Fiber 支持）
pfinal/asyncio（PHP 的异步协程库，类似 Node.js 的 Promise）- Ollama（本地部署大模型，兼容 OpenAI API 格式）
安装依赖：
bash
composer require pfinal/asyncio然后确保 Ollama 在本地运行，并下载支持 Function Calling 的模型：
bash
ollama serve
# 支持的模型（任选其一或多个）
ollama pull qwen3:32b # 通义千问
ollama pull deepseek-coder-v3 # Deepseek 代码模型
ollama pull glm-4-chat # GLM4 对话模型重要提示：这些模型通过 Ollama 部署后，都支持 OpenAI 兼容的 Function Calling 接口。你只需要在请求中传入 tools 参数，模型就能像 GPT-4 一样返回 tool_calls。
核心实现
第一步：定义工具 Schema（OpenAI 兼容格式）
要让本地模型像 OpenAI 一样工作，第一步就是定义工具。这里必须严格按照 OpenAI 的 JSON Schema 格式来写，因为 Qwen3、Deepseek、GLM4 这些模型都是按照这个标准来理解工具的。
php
use PfinalClub\Asyncio\Http\AsyncHttpClient;
use function PfinalClub\Asyncio\{run, async, await, gather};
// 工具定义（必须符合 OpenAI 规范）
const TOOLS_SCHEMA = [
[
"type" => "function",
"function" => [
"name" => "get_weather_metrics",
"description" => "获取指定城市的天气信息（温度、天气状况）",
"parameters" => [
"type" => "object",
"properties" => [
"location" => [
"type" => "string",
"description" => "城市名称，如：北京、上海"
]
],
"required" => ["location"]
]
]
],
[
"type" => "function",
"function" => [
"name" => "fetch_market_data",
"description" => "获取股票或加密货币的实时价格",
"parameters" => [
"type" => "object",
"properties" => [
"symbol" => [
"type" => "string",
"description" => "交易代码，如：600519.SH 或 BTC-USDT"
],
"region" => [
"type" => "string",
"enum" => ["CN", "US", "HK", "CRYPTO"],
"description" => "市场区域，默认 CN"
]
],
"required" => ["symbol"]
]
]
]
];这里有个小技巧：description 字段一定要写清楚，模型就是靠这个来判断什么时候调用哪个工具的。我一开始写得比较模糊，结果模型经常调用错工具。
第二步：实现业务函数
这些就是真正干活的函数了。在实际项目中，这里应该是真实的 API 调用或数据库查询。
php
/**
* 获取天气数据（模拟）
*/
function get_weather_metrics(string $location): string {
// 实际项目中这里应该是异步 HTTP 请求
// $http = new AsyncHttpClient();
// $response = await($http->get("https://api.weather.com/..."));
// 模拟返回
return json_encode([
'location' => $location,
'temperature' => 22.5,
'condition' => '多云',
'timestamp' => time()
], JSON_UNESCAPED_UNICODE);
}
/**
* 获取行情数据（模拟）
*/
function fetch_market_data(string $symbol, string $region = 'CN'): string {
$price = mt_rand(10000, 50000) / 100;
return json_encode([
'symbol' => $symbol,
'region' => $region,
'price' => $price,
'currency' => $region === 'US' ? 'USD' : 'CNY'
], JSON_UNESCAPED_UNICODE);
}第三步：核心调度器（重点）
这是最关键的部分。当模型返回 tool_calls 数组时，我们需要：
- 解析每个工具调用的参数
- 把它们包装成异步任务
- 并发执行
- 等待所有结果
php
/**
* 并发执行工具调用
*
* @param array $toolCalls 模型返回的 tool_calls
* @return array 执行结果，顺序与输入一致
*/
function dispatch_tool_calls(array $toolCalls): array {
$tasks = [];
echo "检测到 " . count($toolCalls) . " 个工具调用，开始并发执行...\n";
foreach ($toolCalls as $call) {
$functionName = $call['function']['name'];
$arguments = json_decode($call['function']['arguments'], true);
// JSON 解析失败的处理
if (json_last_error() !== JSON_ERROR_NONE) {
$tasks[] = async(fn() => json_encode(['error' => '参数解析失败']));
continue;
}
// 把每个工具调用包装成异步任务
$tasks[] = async(function() use ($functionName, $arguments) {
try {
return match ($functionName) {
'get_weather_metrics' => get_weather_metrics($arguments['location'] ?? ''),
'fetch_market_data' => fetch_market_data(
$arguments['symbol'] ?? '',
$arguments['region'] ?? 'CN'
),
default => json_encode(['error' => "工具 {$functionName} 未实现"])
};
} catch (\Throwable $e) {
// 单个工具失败不应该影响其他工具
return json_encode(['error' => $e->getMessage()]);
}
});
}
// gather 会等待所有任务完成，类似 Promise.all
return gather(...$tasks);
}这里用了 PHP 8 的 match 表达式，比 switch 简洁很多。另外，每个任务都包了 try-catch，这样即使某个工具挂了，其他工具还能正常执行。
第四步：完整流程
最后，把所有环节串起来。整个流程是这样的：
- 用户提问 → 发送给模型
- 模型分析 → 返回
tool_calls - 并发执行工具 → 获取结果
- 把结果塞回对话历史 → 再次请求模型
- 模型生成最终答案
php
run(function() {
$httpClient = new AsyncHttpClient(['timeout' => 60]);
$apiUrl = "http://localhost:11434/api/chat";
// 支持的模型：qwen2.5:32b、deepseek-coder-v3、glm-4-chat
// 所有模型都通过 OpenAI 兼容接口支持 Function Calling
$modelName = "qwen2.5:32b";
// 初始化对话
$messages = [
["role" => "system", "content" => "你是一个有用的助手，可以使用工具获取实时数据。"],
["role" => "user", "content" => "帮我查一下茅台(600519.SH)的股价，还有北京现在的天气怎么样？"]
];
echo "正在请求模型（使用 OpenAI 兼容接口）...\n";
// 第一轮：让模型决定调用哪些工具
// 关键：传入 tools 参数，本地模型（Qwen3/Deepseek/GLM4）会像 GPT-4 一样返回 tool_calls
$response = $httpClient->post($apiUrl, [
'Content-Type' => 'application/json'
], json_encode([
"model" => $modelName, // 可以是 qwen2.5:32b、deepseek-coder-v3 或 glm-4-chat
"messages" => $messages,
"tools" => TOOLS_SCHEMA, // OpenAI 标准格式的工具定义
"stream" => false,
"options" => ["temperature" => 0.1] // 降低随机性，提高工具调用的稳定性
]));
$result = $response->json();
$message = $result['message'] ?? [];
$toolCalls = $message['tool_calls'] ?? null;
// 如果模型不调用工具，直接返回
if (empty($toolCalls)) {
echo "模型回复：" . ($message['content'] ?? '无内容') . "\n";
return;
}
// 第二轮：并发执行工具
// 注意：必须先把模型的 assistant 消息加入历史，这是协议要求的
$messages[] = $message;
$toolOutputs = dispatch_tool_calls($toolCalls);
// 第三轮：把工具结果塞回对话历史
foreach ($toolCalls as $index => $call) {
$messages[] = [
"role" => "tool",
"tool_call_id" => $call['id'], // 这个 ID 很重要，模型靠它关联结果
"name" => $call['function']['name'],
"content" => $toolOutputs[$index]
];
}
// 第四轮：获取最终答案
echo "正在生成最终回复...\n";
$finalResponse = $httpClient->post($apiUrl, [
'Content-Type' => 'application/json'
], json_encode([
"model" => $modelName,
"messages" => $messages,
"stream" => false
]));
$finalContent = $finalResponse->json()['message']['content'] ?? '';
echo "\n" . str_repeat('-', 50) . "\n";
echo "最终答案：\n" . trim($finalContent) . "\n";
echo str_repeat('-', 50) . "\n";
});有几个关键点需要注意：
tool_call_id必须正确：模型返回的每个tool_calls都有一个id，你在回传结果时必须用这个id，不然模型不知道哪个结果对应哪个调用。- 消息顺序很重要：必须先加
assistant消息（包含tool_calls），再加tool消息（包含结果）。 - temperature 调低：工具调用场景下，建议把
temperature设低一点（比如 0.1），这样模型更倾向于稳定地调用工具，而不是随机发挥。
性能对比
我在实际项目中测试过，当模型需要调用 3-5 个工具时：
- 同步模式：总耗时 = 所有工具耗时之和（比如 3 秒）
- 异步模式：总耗时 ≈ 最慢的那个工具（比如 1 秒）
性能提升在 200%-500% 之间，工具越多，提升越明显。
另外，错误隔离也很重要。如果某个工具挂了（比如 API 超时），其他工具还能正常执行，不会导致整个请求失败。
踩坑经验
- Schema 格式要严格：JSON Schema 写错了，模型可能理解不了，或者调用参数不对。建议先用 OpenAI 的在线工具验证一下。
- ID 关联要准确：
tool_call_id如果对不上，模型会混乱，可能返回错误的结果。 - 异步函数要纯函数：
async()里包的函数最好是无副作用的，或者副作用可控的，不然调试起来很麻烦。 - 超时设置：如果工具调用涉及外部 API，记得设置合理的超时时间，避免整个请求卡死。