基于 Function Calling 构建代码执行工具时遇到的问题 - 链载Ai

在开发 MolaGPT 的过程中，我始终认为，单纯的文本对话只是 AI 模型能力的一种表象。而真正激动人心的是模型能够主动理解意图，和人类一样制定计划，执行复杂指令来解决复杂问题，比如调用工具、生成图表、分析数据等。

要实现这一点，就需要为模型构建一套完整的“工具箱”，还需要有强大的语言模型本身具有调用工具的能力，而这些能力就需要配套的后端接口和稳定的结果输出。

这段时间，我终于有机会着手开发一个基于 Function Calling（现在貌似 Tools Calling）的 Agent. 我的目标很明确：首先，赋予模型联网搜索的能力；其次，也是更关键的，让模型能够运行 Python 代码。

我的后端整体的核心思路借鉴了 OpenAI 的 Function Calling 机制。其原理可以概括为：当模型识别到用户意图需要借助外部工具才能完成时，它不再直接生成最终答案，而是生成一个结构化的 JSON 对象。这个 JSON 对象精确描述了需要调用的函数名称（例如 execute_python_code）以及执行该函数所需的参数（例如，一段 Python 代码字符串）。

这个结构化的请求随后被发送到我的后端系统。后端接收到这个请求后，会解析 JSON 内容，根据 name 字段匹配预先定义好的可用函数列表 ($available_functions)，找到对应的处理逻辑（比如说 execute_python_code）。后端执行完任务后，再将执行结果（比如代码的标准输出或错误信息）返回给模型进行二次请求，随后模型结合上下文，生成最终回复给用户。

举个例子，如果模型判断需要执行 Python 代码 print(2+2)，它会向后端发送类似以下的 JSON：

后端解析出 name 为 execute_python_code，提取 arguments 中的 code 字段 "print(2+2)"，然后将其交给一个隔离的 Docker 沙箱环境中的 Python 解释器执行。执行完毕后，捕获其 stdout，并将 "4" 这个结果返回给模型。这通常涉及两次与模型的交互：一次是模型输出 Function Call 请求，一次是后端返回执行结果供模型参考。

这是后端定义的函数描述信息，用于告知模型这两个工具的存在和使用方法：

模型会根据对话上下文，智能判断是否需要调用这些工具，并自动生成相应的参数请求，交由后端执行。

在初步测试 execute_python_code 函数时，我发现模型生成的代码经常执行失败。查看 Log 发现，问题在于模型生成的代码很多时候没有显式地使用 print() 函数来输出最终结果，模型也许把后端的 Python 环境当做了Jupyter Notebook 这种交互式环境了。例如，当我让模型计算 2+2 时，它可能会生成如下代码并请求执行：

在 Jupyter Notebook 等交互环境中，这么写确实没问题，可是我的后端是单纯的拉取 Python 镜像人为构建的 Docker 环境，Python 执行器运行这段代码之后，由于没有print()语句，标准输出就为空。这样一来，模型就无法接收到计算结果 "4"，导致其认为代码执行失败。

1.1 失败的尝试：暴力拼接 print()

我最初的想法很简单：是不是可以在接收到的代码字符串末尾自动加上print(...)？但很快意识到这种方法过于粗暴。并非所有代码执行都需要打印最后一个表达式的结果，例如代码可能只是定义函数、导入库等等，确实不需要print()的存在。强行添加print()可能导致语法错误或非预期的行为。

1.2 第一种解决方案：利用 AST 自动补全 print()

经过一番资料查阅和向大模型“请教”，我决定采用 AST（Abstract Syntax Tree，抽象语法树）来智能地处理这个问题。AST 可以将代码解析成一个树状结构，其中的每个节点代表程序中的一种语法元素，比如表达式、语句、函数定义等。这个树的根是整个模块，而它的子节点可能是赋值语句、函数调用、条件判断等结构。

使用 AST 的主要目的就是精确地表达代码的语法和语义，忽略掉注释、空行等非实质性内容。而不是像之前那样去暴力添加print().

importast
classAutoPrintTransformer(ast.NodeTransformer): """  自动为最后一个表达式添加 print() 的 AST 转换器  """ def__init__(self):   super().__init__()    self.modified =False
 defvisit_Module(self, node):   """    处理模块节点，为最后一个表达式添加 print()    """    self.generic_visit(node)
    last_expr_index = -1   foriinrange(len(node.body) -1, -1, -1):      stmt = node.body[i]
     # 判断是否为 print 语句      is_print_stmt = (       isinstance(stmt, ast.Expr)and       isinstance(stmt.value, ast.Call)and       isinstance(stmt.value.func, ast.Name)andstmt.value.func.id=='print'      )
      is_docstring = (       isinstance(stmt, ast.Expr)and       isinstance(stmt.value, ast.Constant)and       isinstance(stmt.value.value,str)andi ==0      )
     ifnotis_print_stmtandnotis_docstring:        last_expr_index = i       break
   # 找到了需要添加 print 的表达式   iflast_expr_index != -1:      expr_node = node.body[last_expr_index]      print_call = ast.Call(func=ast.Name(id='print', ctx=ast.Load()), args=[expr_node.value], keywords=[])      print_stmt = ast.Expr(value=print_call)      ast.copy_location(print_stmt, expr_node)      node.body[last_expr_index] = print_stmt      self.modified =True
   returnnode

通过这种方式，即使模型没有写print()，我们的后端也能找到所有漏掉的位置并动态补齐print()，确保计算结果能够被正确捕获并返回。

在上线一段时间后，我发现 PHP 在处理 Python 代码的引号和换行时存在严重问题。由于直接将 Python 代码塞进 Python 模板字符串时，经常因为代码内部含有特殊字符（如单引号、双引号、反斜杠等）或复杂的多行结构，导致字符串提前中断或发生语法错误。这是我始料未及的，因为之前做 PHP 开发时也没有直接在 PHP 代码中写 Python，没想到会有这种问题。

为彻底解决这一问题，我决定进一步优化：在 PHP 中先将用户的 Python 代码进行 Base64 编码，这样就能确保传递到 Python 环境中的字符串是原生的且不受特殊字符干扰。

1.4 现行解决方案：利用 Base64 来保持代码完整性，随后再利用 AST 自动补全 print()

后端在接收模型提交的 Python 脚本后，使用 PHP 的内置函数base64_encode对 Python 代码进行编码。

Python 侧模板不再直接使用三重引号夹入用户脚本，而是接收一个 Base64 字符串，然后通过 Python 的内置库base64.b64decode()将其还原成原始代码，再利用之前开发的 AST 自动补全print()的方法进行处理。

importbase64, ast, traceback
classAutoPrintTransformer(ast.NodeTransformer): def__init__(self):    self.has_modified =False
 defvisit_Module(self, node):    self.generic_visit(node)    last_expr =None   foriinrange(len(node.body) -1, -1, -1):      stmt = node.body[i]     ifisinstance(stmt, ast.Expr)andnot(       isinstance(stmt.value, ast.Constant)andisinstance(stmt.value.value,str)      ):        last_expr = (i, stmt)       break   iflast_expr:      idx, expr = last_expr      is_print = (       isinstance(expr.value, ast.Call)and       isinstance(expr.value.func, ast.Name)and        expr.value.func.id=='print'      )     ifnotis_print:        print_node = ast.Expr(          value=ast.Call(            func=ast.Name(id='print', ctx=ast.Load()),            args=[expr.value],            keywords=[]          )        )        ast.copy_location(print_node, expr)        node.body[idx] = print_node        self.has_modified =True   returnnode
deftransform_code(src): try:    tree = ast.parse(src)    transformer = AutoPrintTransformer()    new_tree = transformer.visit(tree)    ast.fix_missing_locations(new_tree)   iftransformer.has_modified:     exec(compile(new_tree,'<string>','exec'),globals())   else:     exec(src,globals()) exceptExceptionase:   print(f"处理代码时出错:{e}")    traceback.print_exc()   exec(src,globals())
# 从 Base64 解码恢复原始用户代码user_code = base64.b64decode('<Base64_encoded_string>').decode('utf-8')transform_code(user_code)

上述解决方法上线后，避免了 PHP 与 Python 代码交互过程中字符串意外截断的问题，带有复杂换行结构的 Python 可正确执行。

2. Matplotlib 绘图结果无法展示

为了增强代码执行能力，我在构建 Docker 镜像时特意预制了 matplotlib 库，期望模型能够生成数据可视化图表。在测试中，模型确实能生成标准的绘图代码（例如绘制正弦波），并且也调用了 plt.show()，但是代码执行后，前端聊天界面却看不到任何图像，不过想想也对，这是当然的，因为 plt.show() 会尝试在图形用户界面（GUI）环境中打开一个窗口来显示图像。但在 Docker 沙箱中没有显示器或窗口系统，纯纯就是无头的环境 plt.show() 会静默失败或报错。

有人会觉得（这个人就是我）：那能不能在 Prompt 中让模型保存图片呢？可这就出现了一个新的问题：即使模型改为调用 plt.savefig('plot.png') 将图像保存到文件，这个文件也只是存在于容器内，无法被外界直接访问，更何况一旦代码运行完毕，容器销毁之后数据就会丢失。

2.1 方案：动态注入代码后，遍历图片并提取

前置代码注入：执行模型代码前，在 header 区域注入一段作为补丁的代码，追踪所有创建的 Figure 对象，并设置 matplotlib 使用非交互式后端：

importosimportuuidimportmatplotlibmatplotlib.use('Agg') # 使用非交互式后端importmatplotlib.pyplotasplt
fig_list = [] # 用于跟踪所有创建的图orig_figure = plt.figure # 保存原始的 plt.figure 方法
deftrack_figure(*args, **kwargs): """  寻找生成的图形。  """  fig = orig_figure(*args, **kwargs)  fig_list.append(fig) returnfig
plt.figure = track_figure

后置代码注入：在代码执行结束后，遍历所有图像对象，将它们保存为 PNG 文件，透传到本地目录中，并将路径转换为公网可访问的图像链接：

...
saved_paths = []
if'fig_list'inglobals()andfig_list:  output_dir ="/output"# 输出目录  os.makedirs(output_dir, exist_ok=True) fori, figinenumerate(fig_list):    unique_id =str(uuid.uuid4())[:8] # 生成唯一 ID    filename = os.path.join(output_dir,f"chart_{i}_{unique_id}.png") # 构建文件名   try:      fig.tight_layout()   exceptException:     pass   try:      fig.savefig(filename, dpi=100, bbox_inches='tight') # 保存图像      saved_paths.append(filename) # 添加路径到列表   exceptExceptionase:     print("出错！！")   finally:      plt.close(fig) # 关闭图形
ifsaved_paths: forimg_pathinsaved_paths:   print(f"###IMAGE_FILE_PATH###{img_path}")else: print("没有图表。")
plt.close('all'

模型处理逻辑：并使用着重符号 ###IMAGE_FILE_PATH### 来提示模型当前位置有图片，使用让模型可以理解的自然语言来输出 Markdown 格式的图表：

一系列处理后，模型所绘制的图像就能在前端被展示给用户了。

如上图所示，用户提出让模型绘制一个正四棱台，模型理解了用户的意图并绘制出了一个美丽的图像，通过后端预处理逻辑被成功透传到公网目录中。

不管温度参数设定如何，由于 Python 语法的等效性，模型依然可能会不使用print()；或是 matplotlib 图像不显示。这时候就需要开发者在后端设计好相应的预处理、执行和后处理机制，就能有效地弥补 Agent 开发过程中的局限性，为模型“擦好屁股”。