模块三 Function Calling完整流程

模块三：Function Calling完整流程（Day 5-10）

3.1 为什么需要Function Calling

LLM的知识截止于训练数据，无法获取实时信息或执行外部操作。Function Calling允许模型在需要时请求调用开发者预定义的函数，由本地执行后将结果返回给模型，模型再基于结果生成自然语言回复。

3.2 完整数据流（五步循环）

与OpenAI相同，DeepSeek的Function Calling也是多步骤过程：

Step 1: 发送请求 — tools列表 + 用户消息 → 模型
              ↓
Step 2: 接收工具调用 — 模型返回 tool_calls 对象
        包含函数名和参数（JSON字符串）
              ↓
Step 3: 本地执行 — 解析参数，调用本地函数
              ↓
Step 4: 回传结果 — 以 role="tool" 的消息追加到 messages
        再次请求模型
              ↓
Step 5: 生成最终回复 — 模型基于工具结果生成自然语言回答

DeepSeek的官方文档明确说明：“模型本身不执行具体函数”，它只返回结构化的调用请求。

3.3 工具定义（Tool Schema）

DeepSeek的工具定义格式与OpenAI完全兼容，使用相同的 tools 数组结构：

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询指定城市的当前天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，如北京、上海"
                    },
                    "unit": {
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"],
                        "description": "温度单位，默认摄氏度"
                    }
                },
                "required": ["city"],
                "additionalProperties": False
            }
        }
    }
]

3.4 完整可运行示例：天气查询

以下基于DeepSeek官方示例改写，展示完整的Function Calling流程。

Step 0：定义本地函数

import json

def get_weather(location: str) -> str:
    """模拟天气查询"""
    mock_data = {
        "杭州": "24℃ 晴",
        "北京": "8~20℃ 微风",
        "上海": "10~22℃ 多云",
    }
    return mock_data.get(location, "暂无数据")

Step 1-4：发送请求 → 接收调用 → 执行 → 回传

def send_messages(messages):
    response = client.chat.completions.create(
        model="deepseek-v4-pro",
        messages=messages,
        tools=tools
    )
    return response.choices[0].message

# 初始化对话
messages = [{"role": "user", "content": "杭州今天天气怎么样？"}]

# 第一次请求：模型返回工具调用请求
message = send_messages(messages)
print(f"User> {messages[0]['content']}")

# 提取工具调用
tool = message.tool_calls[0]
messages.append(message)  # 必须追加模型消息
messages.append({
    "role": "tool",
    "tool_call_id": tool.id,
    "content": json.dumps({"result": get_weather(json.loads(tool.function.arguments)["location"])}, ensure_ascii=False)
})

# 第二次请求：模型基于工具结果生成最终回复
message = send_messages(messages)
print(f"Model> {message.content}")

输出：

User> 杭州今天天气怎么样？
Model> 杭州当前天气晴朗，气温约24℃。

3.5 关键细节与DeepSeek特有注意事项

细节	说明
必须追加模型消息	收到 tool_calls 后，先将模型的 message 对象 append 到 messages，否则模型无法关联结果
tool_call_id 匹配	回传时 tool_call_id 必须与模型返回的 id 严格一致
arguments 是JSON字符串	tool_call.function.arguments 需用 json.loads() 解析
思考模式下的工具调用	从DeepSeek-V3.2起，思考模式支持工具调用。开启思考模式时，响应可能包含 reasoning_content 字段，需与 content 分开处理
strict 模式（Beta）	DeepSeek支持strict模式，模型严格遵循JSON Schema输出。需将 base_url 设为 https://api.deepseek.com/beta，并在工具定义中设置 "strict": true
并行调用	一次响应可包含多个 tool_calls，模型可能决定并行调用多个工具

3.6 多工具场景

tools = [
    {"type": "function", "function": {"name": "get_weather", ...}},
    {"type": "function", "function": {"name": "get_current_time", ...}},
    {"type": "function", "function": {"name": "calculate", ...}},
]

模型根据用户问题和各工具的 description 自主选择调用哪个工具。DeepSeek官方示例指出，当提供多个工具时，模型可能一次调用多个函数。

3.7 完成标准

• 能画出Function Calling的五步数据流图
• 能独立完成一次完整的工具调用
• 能解释 tool_call_id 的作用
• 能说明DeepSeek思考模式下工具调用的特殊性（reasoning_content 的处理）
• 了解strict模式的启用方式

3.8 代码

https://gitcode.com/chzhang16/LangChainLearning/blob/master/phase 1/example3.py