Qwen3.7 Function Calling实战教程：从零搭建AI智能体（附可直接运行代码）

2026/7/23 13:46:11

前言

最近在做一个内部运维助手项目，需要让AI真正调用外部工具干活，而不只是聊天。

最终选了Qwen3.7-Max，原因很直接：国内访问稳定、数据不出境、工具调用能力比上一代强不少。

下面是完整搭建笔记，代码全部可直接运行。

一、环境配置

安装依赖：

pip install openai httpx

配置客户端：

from openai import OpenAI client = OpenAI( api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx", base_url="https://dashscope.aliyuncs.com/compatible-mode/v1" )

二、定义工具

以“查天气”和“发邮件”两个工具为例：

tools = [ { "type": "function", "function": { "name": "get_weather", "description": "获取指定城市的实时天气", "parameters": { "type": "object", "properties": { "city": {"type": "string", "description": "城市名，如北京"} }, "required": ["city"] } } }, { "type": "function", "function": { "name": "send_email", "description": "发送邮件", "parameters": { "type": "object", "properties": { "to": {"type": "string", "description": "收件人邮箱"}, "body": {"type": "string", "description": "邮件正文"} }, "required": ["to", "body"] } } } ]

三、发起调用

response = client.chat.completions.create( model="qwen-max", messages=[ {"role": "system", "content": "你是一个运维助手，可以查询天气和发送邮件。"}, {"role": "user", "content": "查一下北京今天的天气，然后把结果发给 admin@example.com"} ], tools=tools, tool_choice="auto" )

四、处理返回结果

模型只负责决定调用哪个工具，真正执行必须由你的代码完成：

import json tool_calls = response.choices[0].message.tool_calls for tool_call in tool_calls: name = tool_call.function.name args = json.loads(tool_call.function.arguments) if name == "get_weather": result = f"北京今天晴天，25度" # 实际替换为API调用 elif name == "send_email": result = f"邮件已发送至{args['to']}" # 实际替换为邮件发送逻辑 final = client.chat.completions.create( model="qwen-max", messages=messages + [response.choices[0].message] + [ {"role": "tool", "tool_call_id": tool_call.id, "content": json.dumps(result)} ] ) print(final.choices[0].message.content)

五、Max与Plus选型对比

对比项	Qwen3.7 Max	Qwen3.7 Plus
模态	纯文本	文本+图像+视频
上下文	100万Token	100万Token
速度	中等	快3倍
输入价格	2.4元/百万Token	0.4元/百万Token
输出价格	7.6元/百万Token	1.6元/百万Token