概要

Gemini 3.1 Pro 是 Google DeepMind 于 2026 年 2 月发布的旗舰模型，采用 MoE（混合专家）架构，上下文窗口扩展至 100 万 token，支持文本、图片、PDF、视频全格式输入。该模型在工具调用（Function Calling）方面有显著增强——模型能够智能判断何时需要调用外部工具，自动生成结构化参数，并将工具返回结果整合到最终回答中。

生成式模型在训练后知识会被冻结，且无法查询或修改外部数据。函数调用可以帮助克服这些限制，它有时也被称为"工具使用"，因为它允许模型使用外部工具（例如 API 和函数）来生成最终回答。通过函数调用，Gemini 3.1 Pro 可以连接天气服务、数据库查询、订单系统等任意外部能力，从"只能聊天"进化为"能干活"的智能代理。

本文将从工具调用的原理、声明规范、多轮对话实现、Google AI Studio 配置、生产环境最佳实践五个维度，系统性地讲解 Gemini 3.1 Pro 的工具调用开发。

 KULAAI（c.877ai.cn）作为 AI 模型聚合平台，支持调用 Gemini 3.1 Pro、GPT-5.5、Claude、DeepSeek 等多个主流大模型，项目的模型对比选型和多模型路由均通过该平台完成。

---

整体架构流程

Gemini 3.1 Pro 工具调用的完整架构分为五步：

text

text

┌──────────────────────────────────────────────┐ │ 第 1 步：编写函数 │ │ 编写与外部 API 交互的函数 │ │ （如 fetchWeather、queryOrders） │ ├──────────────────────────────────────────────┤ │ 第 2 步：创建函数声明 │ │ 描述函数名称、参数类型、是否必填、功能说明 │ ├──────────────────────────────────────────────┤ │ 第 3 步：模型初始化 │ │ 在初始化期间提供函数声明，模型知道如何使用 │ ├──────────────────────────────────────────────┤ │ 第 4 步：模型生成调用请求 │ │ 模型判断需要调用哪个函数，生成结构化参数 │ ├──────────────────────────────────────────────┤ │ 第 5 步：应用执行并回传结果 │ │ 应用调用函数，将结果传递回模型生成最终回答 │ └──────────────────────────────────────────────┘ 

请求处理的完整数据流：

text

text

用户提问 → Gemini 3.1 Pro 分析  ↓  ┌───────────┴───────────┐  ↓ ↓  直接回答 生成函数调用请求 (无需工具) {functionName, params}  ↓  应用层执行函数  调用外部 API / 数据库  ↓  结果返回给模型  ↓  模型生成最终自然语言回答  ↓  返回用户 

Google AI Studio 中的工具配置界面：

text

text

Run Settings ├── Tools（工具开关） │ ├── Structured output（结构化输出） │ ├── Code execution（代码执行） │ ├── Function calling（函数调用） ← 核心 │ └── Grounding with Google Search（搜索增强） └── Advanced Settings  ├── Safety settings（安全设置）  ├── Temperature（温度）  ├── Top P  └── Output length（输出长度） 

---

技术名词解释

Function Calling（函数调用） 允许模型使用外部工具（例如 API 和函数）来生成最终回答的技术。模型不会直接调用函数，而是生成结构化数据帮助应用调用函数。

函数声明（Function Declaration） 描述函数名称、参数、返回值的结构化定义。在模型初始化时提供，让模型知道有哪些工具可用以及如何使用。

Temperature（温度） 控制输出随机性的参数。较低的值（接近 0）输出更具确定性和一致性，适用于事实性回答。较高的值（接近 1）输出更多样化、更具创意，适用于头脑风暴。

Top P 另一种控制输出随机性的方法。模型会选择可能性最高的词，直到累积概率达到设定的 P 值。值越接近 1 选择范围越广，值越低输出越确定。

Structured Output（结构化输出） 启用后模型以特定数据格式（如 JSON）返回结果，方便程序化处理。

Grounding with Google Search（搜索增强） 启用此功能后 AI 可以利用 Google 搜索的实时信息来回答问题，确保答案包含最新信息。

Tool-calling Preamble（工具调用前置说明） 在调用工具前要求模型先说明目的与预期结果，让用户实时掌握进度。

多轮对话（Multi-turn Conversation） 函数调用涉及模型与应用之间的多轮信息传递——模型生成调用请求、应用执行并返回结果、模型生成最终回答。

---

技术细节

一、函数声明规范

函数声明是工具调用的基础。声明需要定义函数名称、参数类型、是否必填、功能说明。声明的质量直接影响模型调用的准确性。

以天气查询为例，函数声明需要定义输入参数——location（城市和州的对象，必填）、date（日期字符串，必填），以及输出参数——temperature（温度整数）、chancePrecipitation（降水概率字符串）、cloudConditions（云况字符串）。

声明编写的核心原则。第一，参数名和类型要精确——模糊的类型定义会导致模型传入错误格式的数据。第二，功能说明要具体——"获取天气信息"不如"根据城市名和日期查询该地点的天气数据，包括温度、降水概率和云况"。第三，必填和选填要明确——模型会根据必填标记决定是否追问缺失信息。

多个工具同时声明时，每个工具的功能边界要清晰。如果两个工具的功能描述有重叠，模型可能选错工具。建议在功能说明中明确使用场景——"当用户询问天气时使用""当用户查询订单状态时使用"。

二、模型不会直接调用函数

这是一个关键的理解点。模型不会直接调用函数，而是生成结构化数据帮助应用调用函数。

当用户问"2024年10月17日波士顿的天气如何"时，模型会分析请求并生成如下结构化数据：

json

json

{  "functionName": "fetchWeather",  "location": {  "city": "Boston",  "state": "Massachusetts"  },  "date": "2024-10-17" } 

模型能从"波士顿"推断出所属的州为 Massachusetts。这个推断能力是函数调用的核心价值——用户不需要提供精确的参数格式，模型会自动理解和转换。

应用层收到这个结构化数据后，调用实际的外部 API 获取天气数据，再将结果传递回模型。模型借助天气信息生成最终的自然语言回答："2024年10月17日，波士顿的天气为38华氏度，多云"。

这个"模型生成参数 → 应用执行 → 结果回传 → 模型生成回答"的流程是函数调用的标准模式。

三、Google AI Studio 中的工具配置

Google AI Studio 提供了可视化的工具配置界面。在右侧的 Run Settings 面板中，Tools 部分包含四个工具开关。

Structured output（结构化输出）。 启用后要求模型以 JSON 等格式返回结果。适合需要程序化处理输出的场景。

Code execution（代码执行）。 允许模型在安全沙箱环境中执行代码。适合需要计算、数据处理或验证代码逻辑的场景。

Function calling（函数调用）。 核心功能，允许定义外部函数供模型调用。

Grounding with Google Search（搜索增强）。 启用后模型可以利用 Google 搜索的实时信息回答问题。适合需要最新信息的场景。

Temperature 和 Top P 两个参数控制输出特性。工具调用场景建议 Temperature 设为 0.1-0.3——低温度让模型的调用决策更确定，减少随机性。Top P 设为 0.95 是常用值。

高级设置中的 Safety settings 可以调整内容安全过滤级别。Add stop sequence 可以设定特定的停止标记。Output length 设置最大输出长度。

四、多轮对话中的函数调用

函数调用天然适合多轮对话场景。一次函数调用至少涉及三轮交互——用户提问、模型生成调用请求、应用返回结果后模型生成回答。

在应用中设置函数调用需要执行五个步骤：编写与外部 API 交互的函数；创建函数声明描述函数及其参数；在模型初始化期间提供函数声明；设置应用以便模型可以发送必要信息供应用调用函数；将函数的回答传递回模型以便生成最终回答。

多轮对话中的上下文管理需要注意。函数调用的中间结果会占用上下文窗口。如果一轮对话中调用了多个工具，每个工具的输入输出都会累积在上下文中。建议对工具返回结果做精简——只保留模型生成回答所需的关键字段，去掉冗余的元数据。

Gemini 3.1 Pro 的 100 万 token 上下文窗口在多工具调用场景下优势明显。多次工具调用的累积 token 消耗不会很快触及上限。

五、生产环境最佳实践

错误处理。 外部 API 可能超时、返回错误或格式异常。应用层需要捕获这些异常，将错误信息作为函数结果返回给模型。模型会基于错误信息生成友好的用户提示——"抱歉，天气服务暂时不可用，请稍后重试"。

超时控制。 函数执行需要设置合理的超时时间。超过时间后中断执行并向模型返回超时信息。不要让用户无限等待。

安全约束。 涉及敏感操作的函数（退款、删除数据、权限变更）需要二次确认。模型生成调用请求后，应用层先向用户展示即将执行的操作，用户确认后再执行。不能让模型直接执行不可逆的操作。

参数校验。 模型生成的参数不一定完全正确。应用层在执行函数前需要校验参数——日期格式是否合法、城市名是否存在、金额是否在合理范围内。校验失败时返回明确的错误信息让模型重新生成。

日志记录。 每次函数调用的输入参数、执行结果、耗时都需要记录。这些日志是排查问题和优化工具声明的第一手数据。

thinking_level 配合。 简单的单工具调用用 low 模式。需要判断调用哪个工具的场景用 medium。复杂的多步骤工具链用 high。分层策略让成本和质量的平衡更精细。

---

小结

Gemini 3.1 Pro 的工具调用核心是"模型生成参数，应用执行操作"。模型不会直接调用外部函数，而是生成结构化数据帮助应用调用。这个设计让工具调用既灵活又可控——灵活在于模型能理解自然语言并自动提取参数，可控在于所有实际操作都在应用层执行。

Google AI Studio 提供了完整的工具配置界面——函数声明、结构化输出、代码执行、搜索增强都可以可视化配置。Temperature 和 Top P 参数在工具调用场景下建议设低值以保证调用决策的确定性。

生产环境中错误处理、超时控制、安全约束、参数校验四个环节缺一不可。建议先在聚合平台上验证工具调用的核心流程，用真实的业务场景做测试，对比不同 thinking_level 下的调用准确率和成本。