Como funciona a chamada de funções
Compreenda o ciclo completo: o modelo escolhe uma ferramenta, seu código a executa, você envia o resultado de volta e o modelo continua.
Como funciona a chamada de funções é uma aula grátis de AI Agents no CoddyKit. Esta é a aula 1 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Agents, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Agents inclui 4 aulas no total.
Chamada de funções: o padrão central
A chamada de funções é o protocolo que transforma um LLM em um agente. O modelo escolhe uma função de uma lista fornecida por você, preenche os argumentos e você a executa.
Esse padrão é compatível com OpenAI, Anthropic, Google, Cohere, Mistral e a maioria dos principais modelos OSS com os ajustes finos adequados.
O ciclo de cinco etapas
- Você envia mensagens e definições de ferramentas
- O modelo retorna uma resposta final OR um tool_call
- Você executa a ferramenta com os argumentos do modelo
- Você adiciona o resultado como uma mensagem de ferramenta
- Você chama o modelo novamente com o histórico atualizado
Repita as etapas 2 a 5 até o modelo retornar uma resposta final.
Etapa 1: definir as ferramentas
As definições de ferramentas são esquemas JSON que descrevem cada função:
tools = [{
'type': 'function',
'function': {
'name': 'get_weather',
'description': 'Current weather for a city',
'parameters': {
'type': 'object',
'properties': {
'city': {'type': 'string'}
},
'required': ['city']
}
}
}]
import json
print(json.dumps(tools, indent=2))
Etapa 2: primeira chamada ao modelo
Envie as mensagens e as ferramentas:
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': 'Weather in Paris?'}],
tools=tools,
)
message = response.choices[0].message
print(message.tool_calls)
# [ToolCall(name='get_weather', arguments='{"city": "Paris"}')]Etapa 3: executar a ferramenta
Direcione a chamada para sua função Python:
import json
def get_weather(city: str) -> dict:
# ...call your weather API...
return {'city': city, 'temp_c': 18, 'condition': 'cloudy'}
tool_call = message.tool_calls[0]
args = json.loads(tool_call.function.arguments)
result = get_weather(**args)Etapa 4: adicionar o resultado da ferramenta
Adicione uma mensagem de ferramenta com o ID correspondente:
messages.append(message) # the assistant message with tool_calls
messages.append({
'role': 'tool',
'tool_call_id': tool_call.id,
'content': json.dumps(result)
})Etapa 5: segunda chamada ao modelo
Chame o modelo novamente — agora ele tem o resultado da ferramenta e produz uma resposta voltada ao usuário:
final = client.chat.completions.create(
model='gpt-4o-mini',
messages=messages,
tools=tools,
)
print(final.choices[0].message.content)
# 'It is currently 18 degrees and cloudy in Paris.'O laço do agente
Coloque isso em um laço de repetição — o modelo pode chamar várias ferramentas em sequência:
while True:
response = client.chat.completions.create(model=MODEL, messages=messages, tools=tools)
msg = response.choices[0].message
messages.append(msg)
if not msg.tool_calls:
return msg.content # final answer
for tc in msg.tool_calls:
result = dispatch(tc)
messages.append({'role': 'tool', 'tool_call_id': tc.id, 'content': json.dumps(result)})Chamadas de ferramentas em paralelo
Os modelos modernos retornam vários tool_calls em uma única resposta. Execute-os em paralelo quando isso for seguro:
import asyncio
async def run_tools(tool_calls):
coros = [dispatch_async(tc) for tc in tool_calls]
return await asyncio.gather(*coros)finish_reason: tool_calls
Você também pode verificar finish_reason em vez de procurar por tool_calls:
if response.choices[0].finish_reason == 'tool_calls':
# the model wants to call tools
...
elif response.choices[0].finish_reason == 'stop':
# done
...Erros comuns
- Esquecer de adicionar a mensagem do assistente antes do resultado da ferramenta
- Usar o tool_call_id incorreto
- Enviar resultados de ferramentas como mensagens do usuário
- Permitir que o laço seja executado sem limite — defina MAX_STEPS
Término do laço
Como saber quando o agente terminou?
Recapitulação
A chamada de funções é o padrão mais importante de todo este curso. Domine-o antes de continuar.
Perguntas Frequentes
A aula “Como funciona a chamada de funções” é grátis?
Sim — o texto completo de “Como funciona a chamada de funções” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Agents, atualize para CoddyKit PRO. O curso de AI Agents inclui 4 aulas no total.
O que vou aprender em “Como funciona a chamada de funções”?
Compreenda o ciclo completo: o modelo escolhe uma ferramenta, seu código a executa, você envia o resultado de volta e o modelo continua. Você pratica AI Agents com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar AI Agents?
Nenhuma experiência prévia é necessária. AI Agents no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 4.
Quanto tempo leva a aula “Como funciona a chamada de funções”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de AI Agents?
Sim. Cada aula de AI Agents inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Como funciona a chamada de funções
- Definindo esquemas de ferramentas (JSON Schema)
- Escolhendo ferramentas em tempo de execução
- Retornando resultados ao modelo