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
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。
扫一扫
150
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
