函数调用
去奶茶店点一杯「大杯、少冰、三分糖、加椰果」，店员不会把整句话抄下来，而是在杯子上勾四个选项。这篇手册对一个 A 股行情助手做同样的事：一句中文指令进来，出去的是一个函数名加一组参数，每个参数都是从固定列表里选出来的值，并带着置信度。
「画一下最近一个月宁德时代和沪深300的滚动相关性」
rolling_correlation(symbol='300750', benchmark='510300', window='1mo') 置信度 0.52
「对比一下茅台、招行和平安最近三个月的走势」
compare_returns(symbols=['600519', '600036', '601318'], window='3mo') 置信度 0.54
「这个月大盘整体怎么样」
market_summary(window='1mo') 置信度 0.91
「你们能查哪些股票」
list_symbols() 置信度 0.99函数本身一行不改。它们的参数本来就只能取固定列表里的值，也就是 Python 的 Literal：
def plot_price(
symbol: Literal["510300", "600519", "300750", "600036", "002594", "601318"],
style: Literal["line", "candles"] = "line",
resolution: Literal["1d", "1w", "1mo"] = "1d",
window: Literal["1w", "1mo", "3mo", "6mo", "1y"] = "3mo",
include_volume: bool = False,
moving_average: Literal["5", "20", "60"] | None = None,
log_scale: bool = False,
): ...取值来自固定列表的参数叫封闭集合。每个封闭集合参数对应一道 Choice，选项正好是列表里的值，所以传进函数的一定是函数认得的值，不会出现拼错的代码或不存在的周期。你要补的只是一份 spec：用中文说清每个参数、每个选项是什么意思。
结论先行： 在 60 条带标注的中文指令上，象信选对函数 98.3%，函数选对时逐个参数正确 95.5%，整次调用（函数名 + 全部参数，补齐默认值后逐项比较）完全正确 83.3%。置信度把好坏分得开：只自动执行置信度 ≥ 0.8 的指令（占 30%），这部分 18 条全对；阈值放到 0.7，自动执行一半，正确率 96.7%。每条指令一次请求、约 3,800 个输入 token，60 条总计 ¥0.0096。
但要如实说：同样 60 条指令，DeepSeek v4.1 flash（关闭思考）用原生 tool calling 整次调用完全正确 98.3%（59/60），明显高于象信的 83.3%。在这个任务上，象信的价值不在准确率，而在每个参数都有一个可用于分流的概率、输出永远落在合法取值内，以及更低的单次成本；如果你只要「尽量对」，一个中等规模的大模型直接做 tool calling 更好。
环境准备
pip install xiangxin-sdk pandas numpy matplotlib
export XIANGXIN_API_KEY="sk-xx-..."代码分三个文件（完整代码见文末链接）：
trader.py：十个普通函数和行情数据；dispatch.py：读取签名和 spec、构造问题、把答案还原成一次函数调用；main.py：跑示例指令和评测，原始答案写入results/。
数据
行情：6 只标的（沪深300ETF 510300、贵州茅台 600519、宁德时代 300750、招商银行 600036、比亚迪 002594、中国平安 601318）2025-09-01 至 2026-09-24 的前复权日 K 线，每只 260 根，共 1,560 行。数据取自腾讯财经公开行情接口（fetch_data.py 可复现下载），仅用于演示，不构成投资建议。
指令：60 条中文指令及其标注（14 条示例 + 46 条评测），示例数据为本文构造，放在 data/commands.json。标注只写用户明确说出的参数，比较时两边都补齐函数默认值再逐项对比，所以「日线」写不写 resolution='1d' 都算对。
["宁王周K，一年，带成交量", "plot_price",
{"symbol": "300750", "resolution": "1w", "window": "1y", "include_volume": true}]从签名里找出封闭集合
类型标注已经说明了哪些参数来自固定列表、列表里有什么。closed_sets 读一个签名，把这些参数分成三种形状：
- choice：
Literal[...]，从列表里选一个； - set：
list[Literal[...]]，选任意多个； - flag：
bool，开或关。
import inspect, types, typing
from typing import Literal
def closed_sets(fn):
hints = typing.get_type_hints(fn)
out = {}
for name in inspect.signature(fn).parameters:
t = hints.get(name)
origin = typing.get_origin(t)
if origin in (typing.Union, types.UnionType): # Literal[...] | None
inner = [a for a in typing.get_args(t) if a is not type(None)]
t, origin = inner[0], typing.get_origin(inner[0])
if origin is Literal:
out[name] = ("choice", typing.get_args(t))
elif origin is list and typing.get_origin(typing.get_args(t)[0]) is Literal:
out[name] = ("set", typing.get_args(typing.get_args(t)[0]))
elif t is bool:
out[name] = ("flag", (True, False))
return out十个函数的结果：
list_symbols 0
market_summary 1 window:choice
plot_price 7 symbol:choice, style:choice, resolution:choice, window:choice, include_volume:flag, moving_average:choice, log_scale:flag
weekday_pattern 3 symbol:choice, window:choice, metric:choice
compare_returns 3 symbols:set, window:choice, normalize:flag
rolling_correlation 4 symbol:choice, benchmark:choice, window:choice, resolution:choice
summary_stats 2 symbol:choice, window:choice
volatility 3 symbol:choice, window:choice, annualized:flag
top_movers 2 window:choice, direction:choice
drawdown 3 symbol:choice, window:choice, plot:flag
共 28 个可填参数top_movers 说明了哪些参数会被跳过：它的第三个参数 limit: int = 3 不是封闭集合，不提问，保持默认值。自由文本、数字、日期都一样处理：不问，函数默认值生效。
写 spec
Literal 只告诉你字符串 "1mo" 和 "3mo"，不会告诉你用户说「这个季度」指的是后者。spec 负责说清这些：每个函数一句描述，每个参数一个问题，每个选项一行解释，外加一道在十个函数之间选择的问题。它放在 spec.json 里，也可以让大模型根据签名先起草一版。
"style": {
"question": "用户想要普通折线还是 K 线（蜡烛图）？",
"stated": "用户的指令里有没有提到图的画法，例如“K线”“蜡烛图”“折线”？",
"options": {
"line": "一条连接收盘价的折线",
"candles": "K 线 / 蜡烛图，显示每根 K 线的开高低收"
}
},
"moving_average": {
"question": "要叠加的均线是几日均线：5 日、20 日还是 60 日？",
"stated": "用户的指令里有没有提到均线，例如“5日线”“20日均线”“MA60”？",
"options": {
"5": "5 日均线，短期、快线",
"20": "20 日均线，月线级别",
"60": "60 日均线，季线、慢线"
}
}几点约定：
- 选项键就是函数接受的字符串，答案不需要再映射回参数值。
stated让参数变成可选的。 它是一道额外的 Noul，问指令里有没有提到这个参数。答「没有」时，调用里不写这个参数，由函数自己的默认值决定。- set 参数的问题按成员展开。
"用户是否在指令里点名要比较 {}，或者说了要比较全部标的？"中的{}换成每只标的，得到 6 道 Noul。 - 股票列表和时间窗口是共享的，在 spec 里写一次，用
"$symbols"、"$windows"引用。选项说明里写上口语叫法（「宁王」「招行」「大盘」「这个季度」），因为匹配靠的是语义。 - 问题要写意思，别写参数名。
"用哪个 resolution？"没有给模型任何可以对照的东西；"每根 K 线代表多长时间：一天、一周还是一个月？"才有。
把 spec 变成问题
Dispatcher 在初始化时把 spec 展开成一组问题，之后每条指令只发一次请求：选函数的 Choice，加上所有函数所有参数的问题。答案回来后，只读被选中那个函数的部分。
from xiangxin import Choice, Noul
ROUTE = "__tool__"
class Dispatcher:
def __init__(self, spec, tools, client, model="xiangxin-latest"):
self.spec, self.tools, self.client, self.model = spec, tools, client, model
self.questions = {
ROUTE: Choice(
instructions=spec["route"],
criteria={n: f["description"] for n, f in spec["functions"].items()},
)
}
for fname, fn in tools.items():
argspec = spec["functions"][fname]["arguments"]
for arg, (shape, _) in closed_sets(fn).items():
a, qid = argspec[arg], f"{fname}.{arg}"
if shape == "choice":
self.questions[qid] = Choice(instructions=a["question"], criteria=_resolve(a["options"], spec))
if "stated" in a:
self.questions[qid + "?"] = Noul(instructions=a["stated"])
elif shape == "set":
for member, desc in _resolve(a["options"], spec).items():
self.questions[f"{qid}.{member}"] = Noul(
instructions=a["question"].format(f"{member}（{desc}）"))
else: # flag
self.questions[qid] = Noul(instructions=a["question"])
def __call__(self, command):
resp = self.client.system_one(state=command, questions=self.questions, model=self.model)
return self.read(resp.answers)read 按形状把答案还原成参数，并给每个参数一个概率：
| 形状 | 取值 | 概率 |
|---|---|---|
| choice（必填） | 概率最高的选项 | 该选项的概率 |
choice（有 stated） | stated ≥ 0.5 时取最高选项，否则省略 | 提到时为 stated × 选项概率，省略时为 1 − stated |
| set | 所有 ≥ 0.5 的成员 | 各成员 max(p, 1−p) 的最小值 |
| flag | p ≥ 0.5 | max(p, 1−p) |
每条指令 49 个问题，其中
__tool__ choice 用户想让行情助手做哪件事？
plot_price.style choice 用户想要普通折线还是 K 线（蜡烛图）？
plot_price.style? noul 用户的指令里有没有提到图的画法……
compare_returns.symbols.600519 noul 用户是否在指令里点名要比较 600519（贵州茅台，白酒龙头）……49 个问题加一句指令，一次请求约 3,820 个输入 token。
跑十四条指令
每条指令一行结果；置信度 是这次调用里最没把握的那个判断，函数 是选中函数的概率。
from xiangxin import XiangxinClient
assistant = Dispatcher(SPEC, TOOLS, XiangxinClient())
for command in COMMANDS:
call = assistant(command)
print(f"「{command}」\n {call} 置信度 {call.confidence:.2f} 函数 {call.tool.probability:.2f}")「茅台 周线」
plot_price(symbol='600519', resolution='1w') 置信度 0.62 函数 0.76
「画一下最近一个月宁德时代和沪深300的滚动相关性」
rolling_correlation(symbol='300750', benchmark='510300', window='1mo') 置信度 0.52 函数 0.99
「招行一般星期几成交最活跃」
weekday_pattern(symbol='600036', metric='volume') 置信度 0.71 函数 0.96
「这周谁涨得好」
top_movers(window='1w', direction='gainers') 置信度 0.80 函数 0.80
「你们能查哪些股票」
list_symbols() 置信度 0.99 函数 0.99
「这个月大盘整体怎么样」
market_summary(window='1mo') 置信度 0.91 函数 0.99
「比亚迪K线，加上20日均线」
plot_price(symbol='002594', style='candles', moving_average='20') 置信度 0.70 函数 1.00
「对比一下茅台、招行和平安最近三个月的走势」
compare_returns(symbols=['600519', '600036', '601318'], window='3mo') 置信度 0.54 函数 0.98
「宁王波动大吗」
volatility(symbol='300750') 置信度 0.72 函数 0.98
「最近一周跌得最惨的是哪几个」
top_movers(window='1w', direction='losers') 置信度 0.79 函数 0.95
「茅台今年以来最大回撤多少，顺便画个图」
drawdown(symbol='600519', window='1y', plot=True) 置信度 0.66 函数 0.93
「平安最近一个月的数据」
summary_stats(symbol='601318', window='1mo') 置信度 0.63 函数 0.63
「给我看招商银行的日线，带成交量」
plot_price(symbol='600036', resolution='1d', include_volume=True) 置信度 0.67 函数 1.00
「比亚迪最近是不是跟着宁德时代走」
rolling_correlation(symbol='002594', benchmark='300750') 置信度 0.57 函数 0.86十四条全部正确。几条值得看：
- 「画一下最近一个月宁德时代和沪深300的滚动相关性」一句话填了三个参数。
symbol和benchmark取自同一组 6 只标的，能各就各位，是因为两道问题写清了角色：「被衡量的那一只（先提到的）」和「作为参照的尺子（后提到的）」。 - 「对比一下茅台、招行和平安最近三个月的走势」把三只放进了集合，另外三只留在外面。
- 「宁王」「招行」「平安」「大盘」都是口语叫法，靠的是选项说明里写了别名。
执行其中几条（函数就是普通 Python 函数，call.run() 直接调用）：
「这个月大盘整体怎么样」 -> market_summary(window='1mo')
近 1mo 行情一览
600036 招商银行 40.69 2.24% 13,491,484 手
510300 沪深300ETF 4.51 -2.94% 143,211,014 手
601318 中国平安 53.25 -3.45% 13,284,473 手
600519 贵州茅台 1237.00 -5.05% 519,811 手
002594 比亚迪 84.34 -8.42% 5,473,871 手
300750 宁德时代 293.50 -22.56% 7,202,018 手
「最近一周跌得最惨的是哪几个」 -> top_movers(window='1w', direction='losers')
近 1w 跌幅前 3
300750 宁德时代 -3.55% -> 293.50
600519 贵州茅台 -2.37% -> 1237.00
002594 比亚迪 -0.74% -> 84.34
「画一下最近一个月宁德时代和沪深300的滚动相关性」 -> rolling_correlation(symbol='300750', benchmark='510300', window='1mo')
300750 与 510300 的 1mo 滚动相关系数（1d 收益率）：最新 0.20，区间 -0.23 ~ 0.92「比亚迪K线，加上20日均线」画出的图（窗口没提，用默认的 3 个月；A 股习惯红涨绿跌）：
读懂置信度
confidence 取整次调用里最弱的那个判断，而不是所有判断概率的乘积。一个参数错了整次调用就错了，看最弱一环最直接；乘积回答的是另一个问题（「每一项都对的概率」），而且参数越多乘积越小，不管其中有没有哪个判断真的不稳。
逐个参数看一条的置信度从哪来：
call = assistant("比亚迪最近是不是跟着宁德时代走")
for name, a in call.arguments.items():
...「比亚迪最近是不是跟着宁德时代走」 -> rolling_correlation(symbol='002594', benchmark='300750') 置信度 0.57
symbol '002594' p 0.57 002594 0.57 300750 0.42 510300 0.01
benchmark '300750' p 0.93 300750 0.93 002594 0.06 510300 0.01
window 未提及，用默认值 p 0.91
resolution 未提及，用默认值 p 0.92
最弱的一环：symbol答案是对的，但 symbol 只有 0.57：模型在「比亚迪跟着宁德时代」里谁是被衡量的、谁是参照上有些犹豫，这正是这句话本身的歧义所在。window 和 resolution 都被省略，因为「最近」没说多长、也没说用日线还是周线，于是函数用自己的默认值（3 个月、日收益率）。这就是 stated 问题的作用：没有它，window 那道 Choice 也得选出某个窗口，而且会选得很笃定。
评测：60 条带标注的指令
示例之外，再加 46 条覆盖十个函数的指令，一共 60 条，逐条和标注比对。
spec 的第一版和第二版。 第一版的 stated 问题写得很笼统，比如「用户是否说了要看多长一段时间？」。跑下来，大部分错误都是「用户明明说了『这个月』『三个月』，却被判成没提」，于是参数被省略、默认值顶上。第二版只改了 stated 问题（以及 set 成员的问法），在问题里列出几种常见说法，比如「用户的指令里有没有提到时间范围，例如『这周』『这个月』『三个月』『这个季度』『半年』『今年』『一年』？」。其余部分（函数描述、选项说明、代码）完全不变。
| 指标 | spec 第一版 | spec 第二版 |
|---|---|---|
| 选对函数 | 98.3% | 98.3% |
| 参数逐个正确（函数选对时） | 92.5% | 95.5% |
| 整次调用完全正确 | 73.3% | 83.3% |
| 正确调用的平均置信度 | 0.66 | 0.73 |
| 错误调用的平均置信度 | 0.53 | 0.50 |
| 平均输入 token / 请求 | 3,458 | 3,817 |
注意
第二版是看了第一版在这 60 条上的错误之后改的，第二版的数字属于「样本内」结果，会比在新指令上的表现偏乐观。改动本身是通用的（把笼统的问题写具体），没有针对某条指令加规则，但真正上线前应该另留一批指令做验证。
按置信度分流。 这才是这套做法的用处：高置信度的直接执行，低置信度的弹出确认框（「您是想看比亚迪的周 K 吗？」）。第二版 spec 下：
| 阈值 | 自动执行 | 其中完全正确 |
|---|---|---|
| 0.0（全部执行） | 60 / 60（100%） | 83.3% |
| 0.5 | 54 / 60（90%） | 88.9% |
| 0.6 | 39 / 60（65%） | 94.9% |
| 0.7 | 30 / 60（50%） | 96.7% |
| 0.8 | 18 / 60（30%） | 100.0% |
| 0.9 | 7 / 60（12%） | 100.0% |
剩下的 10 个错误（第二版）分三类：
- 集合参数漏选（4 条）。 「比较宁德时代和比亚迪今年的表现」只选了比亚迪；「茅台 vs 沪深300，一个月，起点对齐」只选了茅台；「六只全部对比一下半年走势」只选了 510300。每个成员是一道独立的 Noul，模型对「点名了几只」判断偏保守，这是本次评测里最弱的一环。
- 两个同类参数混淆（2 条）。 「宁德时代和比亚迪一年的滚动相关系数」把
benchmark选成了沪深300；「平安和沪深300是不是同涨同跌」把symbol和benchmark都选成了平安，函数会算出一只股票和它自己的相关系数。这类错误可以在代码里加一条规则兜底（两者相同就转人工）。 - K 线周期和其他（4 条）。 「宁王周K」没识别出周线；「平安的蜡烛图，最近一周」「茅台近一周K线」把「一周」同时当成了窗口和周线；「比亚迪哪天振幅最大」被路由到了
volatility（振幅和波动率在语义上确实接近）。
这些错误的置信度大多偏低：10 条里有 8 条低于 0.6，阈值设在 0.6 时这 8 条都会被拦下来转人工确认。
成本与耗时。 每条指令一次请求，第二版 60 条共 229,041 个输入 token，按 ¥0.042 / 百万输入 token 计算共 ¥0.0096，约合每条 ¥0.00016。评测时后端同时还在承接其他批量任务，请求的模型耗时中位数为 5.3 秒，端到端中位数 6.3 秒，这反映的是当时的排队情况，不代表空载延迟。
大模型基线
llm_baseline.py 用同一份签名和 spec（第一版）自动生成 JSON Schema（Literal → enum，选项说明写进参数描述），让大模型用原生 tool calling 跑同样 60 条指令，按同一标准打分。模型为自部署的 DeepSeek v4.1 flash（vLLM，OpenAI 兼容接口），关闭思考模式（chat_template_kwargs={"thinking": False}），temperature=0，tool_choice="required"，并发 1。
| 指标 | 象信（spec 第二版） | DeepSeek v4.1 flash tool calling |
|---|---|---|
| 选对函数 | 98.3% | 100.0% |
| 整次调用完全正确 | 83.3% | 98.3% |
| 请求数 | 60 | 60 |
| 输入 token（合计） | 229,041 | 194,126 |
| 输出 token（合计） | 免费，不计 | 3,592 |
| 端到端耗时中位数 | 6.3 秒 | 2.7 秒 |
| 每个参数的概率 | 有 | 无 |
大模型唯一的错误是「茅台近一周K线，叠加5日均线和成交量」漏掉了 include_volume=True。象信在集合参数、两个同类参数的角色分配上犯的错，大模型一条都没犯：这类「读懂整句话谁是谁」的判断正是生成式大模型的强项，也是象信的短板。
耗时两边都不是空载数据：象信后端当时在处理其他批量任务，大模型也跑在共享 GPU 上，只能说明本次运行的情况。
大模型是自部署的，没有账单；如果换成 DeepSeek 官方 API，成本按「输入 token × 输入单价 + 输出 token × 输出单价」折算（194,126 输入、3,592 输出，单价以 DeepSeek 官方价目页当日报价为准）。象信这边按 ¥0.042 / 百万输入 token 计为 ¥0.0096。
这组对比的结论很直接：只看准确率，本任务应该用大模型。 象信的做法值得考虑的场景是：调用量很大、对单次成本敏感，而且你本来就打算把低置信度的请求交给人确认。按阈值 0.8，象信自动处理 30% 的指令且全对，剩下 70% 转人工或转大模型，这是一种级联用法，而不是替代大模型。
讨论
为什么有效。 函数调用里真正要判断的东西，大部分本来就是封闭集合：调哪个函数、哪只股票、多长窗口、日线还是周线。把每一个都变成 Choice 或 Noul，模型只在合法值之间分配概率，永远不会生成函数不认的参数；每个参数都带概率，你就能知道哪一个参数不稳，而不只是「这次调用可能不对」。
stated 是关键设计。 普通的 tool calling 常见的毛病是「用户没说，模型替他编一个」。stated 把「用户说了什么」和「说的是哪个值」拆成两个问题，没说就用默认值。本文从第一版到第二版的提升几乎都来自把 stated 问题写具体，说明这类元问题的措辞很重要。
局限：
- 集合参数是短板。 按成员逐个问 Noul，在本次评测里漏选明显。成员很多或需要「全部」这类概括说法时，可以额外加一道「用户是否要比较全部标的」的 Noul，或者改成先问数量再问成员。
- 只能处理封闭集合。 金额、数量、日期、自由文本不提问，用函数默认值。真的需要这些值时，要先用别的方法抽出来（例如 预解析值抽取），再用象信核对。
- 所有函数的问题一起发。 本例 49 个问题约 3,800 token，十个函数还可以接受；函数多到上百个时，可以先用一次请求只问
__tool__，再对选中的函数单独问参数（多一次往返，token 少得多），见 意图路由。 - **象信在「谁是主语、谁是参照」**这类需要细读句法的判断上不如大模型稳，见 象信的能力边界。
什么时候不该这么用： 对准确率要求高、调用量不大时，直接用大模型的 tool calling：本文的基线里它整次调用正确 98.3%，比象信高 15 个百分点。参数大多是自由文本（写邮件、搜索关键词）、或需要多轮对话补全信息时同样如此。本文的做法适合参数空间有限、调用量大、需要知道「哪一步没把握」再决定是否自动执行的场景，最自然的用法是做大模型前面的一层：高置信度的直接执行，其余交给大模型。更多分流做法见 置信度 和 按置信度路由。
完整代码
https://github.com/xiangxinai/xiangxin-cookbooks/tree/main/function_calling
fetch_data.py：下载行情数据trader.py、dispatch.py、spec.json、spec_v2.jsonmain.py：python main.py --spec spec_v2.json调 API；加--replay从results/answers_*.jsonl重放本文结果，不再调用 APIllm_baseline.py：大模型 tool calling 基线（需要LLM_API_KEY）results/：原始答案、逐条评测结果与汇总