DeepseekApiFunctionCalling解析（tools、tool_calls）Deepseek函数

文章目录 Function Calling介绍**核心原理**1. **动态扩展模型能力**2. **JSON结构化交互** **实现步骤**（以支持Function Calling的模型为例）1. **定义可用函数**2. **模型匹配与生成**3. **开发者执行函数**4. **结果反馈给模型** **DeepSeek R1的当前限制****替代方案建议**1. **自定义流程控制**2. **关注更新动态** 💡 **扩展阅读** Function Calling调用流程**Function Calling 核心流程**1. **用户输入请求**2. **模型解析意图**3. **生成函数调用请求**4. **执行外部函数**5. **返回函数结果**6. **生成最终响应** **流程图****关键点说明**1. **两次模型交互（如OpenAI）**2. **结构化参数验证**3. **错误处理** **参考案例（天气查询）**1. **用户输入**2. **模型返回函数调用**3. **执行天气API查询**4. **模型生成最终响应** **扩展阅读** Function Calling Python代码示例（以调用OpenAI模型为例）代码代码解析：1. **函数定义**2. **API交互流程**3. **关键参数说明** 执行示例输出：注意事项：1. 需替换为有效的OpenAI API密钥（`sk-your-api-key-here`）2. GPT-3.5-turbo版本需 >= 0613 才能支持函数调用3. 实际生产环境需要：

Function Calling介绍

根据官方文档和搜索结果，DeepSeek的 Function Calling（函数调用） 功能允许模型通过调用外部工具来增强其能力。以下是其核心原理与实现步骤：

---

核心原理 1. 动态扩展模型能力

通过预定义函数，模型可将用户查询映射到具体操作（如调用API、执行计算等），从而突破纯文本生成的限制。

2. JSON结构化交互

模型不直接执行函数，而是生成包含函数名和参数的JSON对象，开发者据此执行外部逻辑。

---

实现步骤（以支持Function Calling的模型为例） 1. 定义可用函数

开发者在API请求中声明函数列表，包括：

函数名（如 get_weather）参数描述（如 {"location": "string", "unit": "celsius|fahrenheit"}） 2. 模型匹配与生成

用户输入查询后，模型判断是否需要调用函数。若需要，则生成JSON对象，例如：

{ "tool_calls": [{ "function": {"name": "get_weather", "arguments": "{\"location\": \"北京\"}"} }] } 3. 开发者执行函数

解析JSON并调用对应函数，获取结果（如调用天气API返回数据）。

4. 结果反馈给模型

将执行结果返回给模型，模型整合信息生成最终回复（如“北京今天晴天，25℃”）。

---

DeepSeek R1的当前限制

🔴 注意：根据官方文档（DeepSeek API Docs），DeepSeek R1目前不支持Function Calling，且旧版模型（如 deepseek-chat）的此功能存在以下问题：

可能出现循环调用（模型重复生成函数请求）返回空响应或无意义JSON开发团队正在修复，预计下一版本改进。

---

替代方案建议 1. 自定义流程控制

通过Prompt Engineering引导模型输出结构化文本，开发者手动解析后调用外部工具。 示例Prompt：

若需查询天气，请以JSON格式回复：{"action": "weather", "location": "城市名"} 2. 关注更新动态

建议定期查阅DeepSeek GitHub仓库或官方文档，获取Function Calling支持进展。

---

💡 扩展阅读 OpenAI式Function Calling详解： OpenAI函数调用机制DeepSeek工具调用优化方向： Reddit讨论 Function Calling调用流程

好的，用户需要理解Function Calling的流程，并希望有一个流程图来辅助理解。我之前提供的搜索结果里提到，Function Calling的基本流程包括用户输入、模型解析、生成函数调用请求、执行函数、返回结果和生成响应。用户可能已经了解了一些基本步骤，但可能对具体细节或流程图有疑问。

首先，需要确认用户的实际需求。他们可能是在开发中使用大模型，需要集成外部工具，比如天气API或数据库查询。流程图的请求表明他们希望有一个可视化的步骤说明，可能用于教学或系统设计。

根据搜索结果，尤其是来自CSDN和知乎的链接，流程通常包括两次模型调用：第一次判断是否需要调用函数，生成请求；第二次根据函数返回的结果生成最终响应。例如，OpenAI的流程是先发送用户输入和可用函数列表，模型返回需要调用的函数及参数，执行后再次将结果传给模型生成回答。

需要注意用户提到的DeepSeek R1目前不支持Function Calling，但其他模型如GPT-4有该功能。用户的示例可能基于通用流程，但需要明确说明不同模型的差异。

用户可能遇到的困惑点在于如何将模型和外部系统连接，以及具体步骤间的数据传递。流程图应清晰展示从用户输入到最终响应的闭环过程，包括模型判断和执行函数的环节。

综合搜索结果，可以构建一个包含以下步骤的流程图：

用户输入问题。模型解析并判断是否需要调用函数。生成函数调用请求（名称和参数）。应用程序执行函数并获取结果。结果返回给模型。模型整合结果生成最终响应。

需要指出的是，部分实现可能需要两次模型交互，如OpenAI的流程，而有些可能整合为一次。此外，函数参数的验证和错误处理也是重要环节，但可能不在基础流程中体现。

最后，确保流程图简洁易懂，用文字说明每个步骤的关键点，如模型生成结构化请求（JSON），应用程序执行外部API调用等。同时，参考提供的链接中的示意图，但可能无法直接访问图片，需用文字描述结构。

以下是 Function Calling（函数调用） 的详细流程及示意图，结合大模型与外部工具的交互机制：

---

Function Calling 核心流程 1. 用户输入请求 用户提出自然语言请求（如“北京今天的天气如何？”）。 2. 模型解析意图 大模型（如GPT-4）分析用户意图，判断是否需要调用外部函数（如天气API）。 3. 生成函数调用请求 模型返回结构化请求（JSON格式），包含函数名和参数：{ "tool_calls": [ { "function": {"name": "get_weather", "arguments": "{\"location\": \"北京\"}"} } ] } 4. 执行外部函数 应用程序解析请求，调用对应的函数（如查询天气API）。 5. 返回函数结果 函数执行结果（如温度、天气状况）返回给模型。 6. 生成最终响应 模型将结果整合为自然语言回复（如“北京今天晴天，25℃”）。

---

流程图 用户输入 │ ▼ 大模型解析意图 │ ▼ 是否需要调用函数？ ——是→ 生成函数调用请求（JSON） │ │ 否 ▼ │ 执行外部函数（如API、数据库） ▼ │ 直接生成回答 ▼ │ 获取函数结果 ▼ │ 返回用户响应 ←───────────┘

---

关键点说明 1. 两次模型交互（如OpenAI） 第一次请求：发送用户输入 + 可用函数列表，模型返回需调用的函数及参数。第二次请求：发送函数执行结果，模型生成最终回复。 2. 结构化参数验证 应用程序需校验参数格式（如参数类型、必填字段），避免错误调用。 3. 错误处理 若函数调用失败，模型可能重新生成请求或提示用户修正输入。

---

参考案例（天气查询） 1. 用户输入

“上海明天会下雨吗？”

2. 模型返回函数调用 {"function": "get_weather", "arguments": {"location": "上海", "date": "2024-06-20"}} 3. 执行天气API查询

调用第三方API获取天气数据（如{"weather": "rain", "temp": 22}）。

4. 模型生成最终响应

“上海明天有雨，气温22℃。”

---

扩展阅读 OpenAI Function Calling 官方文档大模型函数调用原理与实战（CSDN）LangChain 函数调用实现

通过流程图和分步解释，可以更清晰地理解大模型如何通过函数调用与外部系统协同工作。

Function Calling Python代码示例（以调用OpenAI模型为例） 代码

以下是使用OpenAI Function Calling的Python代码示例，实现天气查询功能：

import openai import json # 配置OpenAI API密钥 openai.api_key = "sk-your-api-key-here" def get_current_weather(location, unit="celsius"): """模拟天气API调用（实际应替换为真实API调用）""" weather_data = { "location": location, "temperature": "25", "unit": unit, "forecast": ["sunny", "windy"], } return json.dumps(weather_data) def run_conversation(): # 第一步：发送用户查询和函数定义 messages = [{"role": "user", "content": "北京今天天气怎么样？"}] functions = [ { "name": "get_current_weather", "description": "获取指定地区的当前天气", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "城市或地区名称，例如：北京", }, "unit": { "type": "string", "enum": ["celsius", "fahrenheit"], "description": "温度单位" } }, "required": ["location"], }, } ] # 初始API调用 response = openai.ChatCompletion.create( model="gpt-3.5-turbo-0613", messages=messages, functions=functions, function_call="auto", ) response_message = response.choices[0].message # 第二步：处理函数调用 if hasattr(response_message, "function_call"): # 解析函数调用信息 function_name = response_message["function_call"]["name"] function_args = json.loads(response_message["function_call"]["arguments"]) # 调用对应函数 if function_name == "get_current_weather": function_response = get_current_weather( location=function_args.get("location"), unit=function_args.get("unit", "celsius") ) # 第三步：发送函数结果给模型 messages.append(response_message) # 添加助理的消息 messages.append({ "role": "function", "name": function_name, "content": function_response, }) # 获取最终响应 final_response = openai.ChatCompletion.create( model="gpt-3.5-turbo-0613", messages=messages, ) return final_response.choices[0].message['content'] else: return response_message['content'] # 运行对话 print(run_conversation()) 代码解析： 1. 函数定义 get_current_weather：模拟天气API调用（实际开发需替换为真实API）参数验证逻辑可在此函数中添加 2. API交互流程 用户输入 → 模型判断需要函数调用 → 生成函数调用请求 → 执行函数 → 返回结果给模型 → 生成最终响应 3. 关键参数说明 functions：声明模型可用的函数列表function_call：设置为"auto"让模型自主决策 执行示例输出： 北京今天天气晴朗，当前气温为25摄氏度，风力较大。请注意防晒。 注意事项： 1. 需替换为有效的OpenAI API密钥（sk-your-api-key-here） 2. GPT-3.5-turbo版本需 >= 0613 才能支持函数调用 3. 实际生产环境需要： 添加错误处理（网络错误/参数错误）实现真正的天气API调用设置合理的temperature参数控制输出稳定性

如果需要DeepSeek版本的实现，请关注其API文档的更新，当前（截至2024年6月）DeepSeek R1尚未开放Function Calling支持。