DeepSeek Function Calling 实战：让大模型学会「调用工具」

2026 年 5 月，DeepSeek V4 系列模型正式上线。除了更强的对话能力，它还有一个被很多开发者忽略的杀手锏——Function Calling。本文将带你从零上手，用 Python 写出一个真正"能干活的"智能应用。

一、从一个尴尬的对话说起

不知道你有没有遇到过这种情况：

你: 今天杭州天气怎么样？
模型: 抱歉，我的知识截止于2024年，无法获取实时天气信息。

单纯的对话模型就像一个"博学的笔友"——知识丰富，但和现实世界是断开的。Function Calling 就是在这之间架起的一座桥：模型不需要自己知道天气，只要它知道该去调用哪个函数获取天气就够了。

用一句话概括：Function Calling 让模型从「回答问题」升级为「调用工具完成任务」。

二、核心流程：四步走

整个 Function Calling 的工作流程其实非常简单，就四步：

第1步：你告诉模型有哪些工具可用（函数名 + 参数说明）
第2步：模型根据用户问题，决定要不要调用工具、调用哪个、传什么参数
第3步：你的代码执行这个工具函数，拿到真实数据
第4步：把结果塞回给模型，模型生成最终回复

记住一个关键点：模型只负责"决定调用什么"，不负责"执行"。真正干活的是你写的 Python 函数。

三、环境准备

3.1 安装依赖

pip install openai

是的，就一个包。DeepSeek API 完全兼容 OpenAI SDK，直接复用即可。

3.2 获取 API Key

打开 platform.deepseek.com，注册后在「API Keys」页面创建一个 Key。新用户注册有免费额度，足够你把本文的例子全部跑一遍。

记得把 Key 存到环境变量：

export DEEPSEEK_API_KEY="sk-xxxxxxxxxxxxxxxx"

四、第一个例子：查询天气

先看完整代码，再逐段拆解。

import json
from openai import OpenAI

# 初始化客户端
client = OpenAI(
    api_key="你的API Key",   # 建议用环境变量
    base_url="https://api.deepseek.com",
)

# 定义工具：一个查询天气的函数
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询指定城市的实时天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，例如 杭州、北京"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

def get_weather(city):
    """实际获取天气的函数（这里用模拟数据演示）"""
    weather_data = {
        "杭州": {"temp": 26, "desc": "多云转晴", "humidity": "65%"},
        "北京": {"temp": 22, "desc": "晴", "humidity": "30%"},
        "上海": {"temp": 24, "desc": "小雨", "humidity": "80%"},
    }
    return weather_data.get(city, {"temp": "未知", "desc": "暂无数据"})


def run_conversation(user_query):
    """一次完整的 Function Calling 对话"""
    messages = [{"role": "user", "content": user_query}]

    # 第1次请求：模型决定要不要调用工具
    response = client.chat.completions.create(
        model="deepseek-v4-flash",  # 用最新的 V4 Flash，性价比最高
        messages=messages,
        tools=tools,
    )

    msg = response.choices[0].message

    # 如果模型决定调用工具
    if msg.tool_calls:
        tool_call = msg.tool_calls[0]
        func_name = tool_call.function.name
        func_args = json.loads(tool_call.function.arguments)

        print(f"  模型决定调用: {func_name}({func_args})")

        # 第2步：执行工具函数
        if func_name == "get_weather":
            result = get_weather(func_args["city"])
        else:
            result = "未知工具"

        # 第3步：把结果喂回模型
        messages.append(msg)
        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": json.dumps(result, ensure_ascii=False)
        })

        # 第2次请求：模型根据工具结果生成回复
        final_response = client.chat.completions.create(
            model="deepseek-v4-flash",
            messages=messages,
        )
        return final_response.choices[0].message.content

    # 不需要调用工具，直接返回
    return msg.content


# 测试
if __name__ == "__main__":
    queries = [
        "今天杭州天气怎么样？",
        "北京适合出门吗？",
        "帮我写一首关于春天的诗",  # 这个问题不需要工具
    ]
    for q in queries:
        print(f"\n用户: {q}")
        print(f"回复: {run_conversation(q)}")

运行结果：

用户: 今天杭州天气怎么样？
  模型决定调用: get_weather({'city': '杭州'})
回复: 杭州今天多云转晴，气温26℃，湿度65%。总体来说天气不错，适合外出活动。

用户: 北京适合出门吗？
  模型决定调用: get_weather({'city': '北京'})
回复: 北京今天晴天，气温22℃，湿度30%。天气非常好，很适合出门！

用户: 帮我写一首关于春天的诗
回复: （直接输出一首诗，不调用任何工具）

注意第三个问题——模型很聪明地判断出"写诗"不需要天气查询，直接回答。这就是 Function Calling 的优雅之处：模型自己决定什么时候需要调工具。

五、进阶：多工具协同

一个应用通常不止一个工具。假设我们要做一个"生活助手"，支持三个能力：

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询城市天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名称"}
                },
                "required": ["city"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "get_news",
            "description": "获取最新新闻，按关键词搜索",
            "parameters": {
                "type": "object",
                "properties": {
                    "keyword": {"type": "string", "description": "搜索关键词"},
                    "count": {"type": "integer", "description": "返回条数，默认5"}
                },
                "required": ["keyword"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "执行数学计算",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {"type": "string", "description": "数学表达式，例如 '2+3*4'"}
                },
                "required": ["expression"]
            }
        }
    }
]

模型会自动根据用户意图选择合适的工具——甚至一次调用多个。比如用户问"杭州天气怎么样？顺便帮我算一下 15% 的 380 是多少"，模型会先后调用 get_weather 和 calculate。

执行多工具调用的代码需要处理 tool_calls 是个列表的情况：

# 处理多个工具调用
if msg.tool_calls:
    messages.append(msg)
    for tool_call in msg.tool_calls:
        func_name = tool_call.function.name
        func_args = json.loads(tool_call.function.arguments)

        # 路由到对应函数
        if func_name == "get_weather":
            result = get_weather(func_args["city"])
        elif func_name == "get_news":
            result = get_news(func_args["keyword"], func_args.get("count", 5))
        elif func_name == "calculate":
            result = safe_calculate(func_args["expression"])

        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": json.dumps(result, ensure_ascii=False)
        })

    # 所有工具结果返回后，再请求一次模型
    final = client.chat.completions.create(
        model="deepseek-v4-flash",
        messages=messages,
    )
    return final.choices[0].message.content

六、实战：对接真实 API

上面用的是模拟数据，实际项目中你得接真实接口。以天气为例，高德地图提供了免费天气 API，每天有配额，适合个人项目。

去 高德开放平台 注册，创建应用获取 Key，然后这样写：

import requests

def get_weather_realtime(city):
    """通过高德天气 API 获取真实天气"""
    api_key = "你的高德Key"
    # 先根据城市名获取 adcode
    geo_url = f"https://restapi.amap.com/v3/config/district?key={api_key}&keywords={city}"
    geo_data = requests.get(geo_url).json()
    adcode = geo_data["districts"][0]["adcode"]

    # 再查天气
    weather_url = f"https://restapi.amap.com/v3/weather/weatherInfo?key={api_key}&city={adcode}"
    weather_data = requests.get(weather_url).json()
    live = weather_data["lives"][0]

    return {
        "temperature": f"{live['temperature']}℃",
        "weather": live["weather"],
        "wind": live["winddirection"],
        "city": live["city"]
    }

把上面的 get_weather 替换成这个真实版本，你的助手就能查真正的实时天气了。

小提示：大多数免费 API 都有调用频率限制。如果你的应用需要稳定运行，可以考虑把服务部署到云服务器上，配合定时任务缓存数据。腾讯云的轻量应用服务器对新用户有挺大的折扣（点此了解），跑个 Python 小应用完全够用。

七、strict 模式：杜绝格式错误

Function Calling 在实际开发中最头疼的问题就是模型返回的参数偶尔不符合预期。比如你要求 count 是整数，它偶尔给你个字符串 "5"。

DeepSeek V4 提供了一个 strict 模式来解决这个问题。开启后，模型严格按你的 JSON Schema 输出，绝对不会出现类型错误。

开启方式很简单，把 base_url 换成 beta 端点，并在工具定义中加 "strict": true：

client = OpenAI(
    api_key="你的Key",
    base_url="https://api.deepseek.com/beta",  # 注意：beta 端点
)

tools = [
    {
        "type": "function",
        "function": {
            "name": "search_product",
            "strict": True,   # 开启严格模式
            "description": "搜索商品",
            "parameters": {
                "type": "object",
                "properties": {
                    "keyword": {"type": "string"},
                    "min_price": {"type": "number", "minimum": 0},
                    "max_price": {"type": "number"},
                    "category": {
                        "type": "string",
                        "enum": ["电子产品", "服饰", "食品", "图书"]
                    }
                },
                "required": ["keyword", "min_price", "max_price", "category"],
                "additionalProperties": False
            }
        }
    }
]

strict 模式的硬性要求（不满足会直接报错）：

  1. 每个 object 的所有属性必须列在 required 中
  2. 必须设置 "additionalProperties": false
  3. 不支持 minLength / maxLength（string 长度用 pattern 正则控制）

如果你的工具参数比较复杂且对格式要求高，strict 模式是必选项。

八、踩坑记录

在实际开发中遇到的几个问题，分享出来帮你省时间：

坑1：忘了把 assistant 消息追加回 messages

很多新手只追加了 tool 结果，忘了把包含 tool_calls 的那条 assistant 消息加回去。模型会懵：我怎么不知道我调用过工具？

# 正确做法
messages.append(msg)              # ← 这行不能少
messages.append({"role": "tool", ...})

坑2：用旧模型名

deepseek-chat 将在 2026 年 7 月 24 日下线。如果你还在用老名字，赶紧换成 deepseek-v4-flash 或 deepseek-v4-pro。

新名字 定位 适合场景
deepseek-v4-flash 快速、便宜 对话、Function Calling、批量任务
deepseek-v4-pro 推理强、更贵 复杂逻辑、代码生成、数学推理

日常开发用 v4-flash 足够，响应快，而且 Function Calling 能力完全一样。

坑3：工具描述写得太随便

模型的"阅读理解"能力直接取决于你的描述写得好不好。对比一下：

# 差：太模糊
{"description": "查天气"}

# 好：场景明确
{"description": "查询指定城市的实时天气信息，包括温度、天气状况和湿度。需要传入城市名称。"}

多花两分钟写清楚描述，比事后 debug 半天省事得多。

九、总结

Function Calling 的价值不在于"让模型变聪明"，而在于打破模型和现实世界之间的墙。有了它，你可以让模型：

  • 查询数据库（而不是只靠训练数据猜）
  • 调用第三方 API（天气、新闻、物流）
  • 操作文件系统（读、写、搜索）
  • 触发业务流程（发邮件、下单、审批）

DeepSeek V4 的 Function Calling 兼容 OpenAI 格式，迁移成本几乎为零。配合严格的 JSON Schema 校验和极低的调用成本，是目前做应用开发非常实惠的选择。

完整代码

以上所有示例的整合版，拿去就能跑：

"""
DeepSeek V4 Function Calling 完整示例
依赖: pip install openai
"""

import json
from openai import OpenAI

client = OpenAI(
    api_key="sk-你的Key",
    base_url="https://api.deepseek.com",
)

TOOLS = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询指定城市的实时天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名"}
                },
                "required": ["city"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "执行数学计算",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {"type": "string", "description": "数学表达式"}
                },
                "required": ["expression"]
            }
        }
    }
]

# 模拟数据
WEATHER_DB = {
    "杭州": {"temp": 26, "desc": "多云转晴"},
    "北京": {"temp": 22, "desc": "晴"},
    "上海": {"temp": 24, "desc": "小雨"},
    "深圳": {"temp": 30, "desc": "雷阵雨"},
}

def get_weather(city):
    return WEATHER_DB.get(city, {"temp": "未知", "desc": "暂无数据"})

def calculate(expr):
    try:
        return {"result": eval(expr, {"__builtins__": {}}, {})}
    except Exception as e:
        return {"error": str(e)}

TOOL_MAP = {"get_weather": get_weather, "calculate": calculate}

def chat(user_input):
    messages = [{"role": "user", "content": user_input}]

    resp = client.chat.completions.create(
        model="deepseek-v4-flash",
        messages=messages,
        tools=TOOLS,
    )
    msg = resp.choices[0].message

    if not msg.tool_calls:
        return msg.content

    messages.append(msg)
    for tc in msg.tool_calls:
        fn = TOOL_MAP[tc.function.name]
        args = json.loads(tc.function.arguments)
        result = fn(**args)
        messages.append({
            "role": "tool",
            "tool_call_id": tc.id,
            "content": json.dumps(result, ensure_ascii=False)
        })

    final = client.chat.completions.create(
        model="deepseek-v4-flash",
        messages=messages,
    )
    return final.choices[0].message.content

if __name__ == "__main__":
    while True:
        q = input("\n你: ")
        if q.lower() in ("quit", "exit", "q"):
            break
        print(f"助手: {chat(q)}")

本文涉及的 API 价格以 2026 年 5 月官网信息为准。示例代码仅用于学习交流。

# 数据库 # java # 服务器
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

本地部署更安全！OpenClaw 数字员工搭建教程

avatar AtomGit开源社区
cover

大模型虽火，但这6个AI高薪赛道更适合你，本科生也能冲！速收藏，找对方向年薪40W+不是梦！

avatar AtomGit开源社区
cover

大模型学习路线图：小白程序员必备收藏指南，助你轻松入门

avatar AtomGit开源社区