函数调用 Prompt 编排指南：OpenAI / DeepSeek 双模型对比实践

个人简介

作者简介：全栈研发，具备端到端系统落地能力，专注大模型的压缩部署、多模态理解与 Agent 架构设计。 热爱“结构”与“秩序”，相信复杂系统背后总有简洁可控的可能。
我叫观熵。不是在控熵，就是在观测熵的流动
个人主页：观熵
个人邮箱：privatexxxx@163.com
座右铭：愿科技之光，不止照亮智能，也照亮人心！

专栏导航

观熵系列专栏导航：
AI前沿探索：从大模型进化、多模态交互、AIGC内容生成，到AI在行业中的落地应用，我们将深入剖析最前沿的AI技术，分享实用的开发经验，并探讨AI未来的发展趋势
AI开源框架实战：面向 AI 工程师的大模型框架实战指南，覆盖训练、推理、部署与评估的全链路最佳实践
计算机视觉：聚焦计算机视觉前沿技术，涵盖图像识别、目标检测、自动驾驶、医疗影像等领域的最新进展和应用案例
国产大模型部署实战：持续更新的国产开源大模型部署实战教程，覆盖从 模型选型 → 环境配置 → 本地推理 → API封装 → 高性能部署 → 多模型管理 的完整全流程
TensorFlow 全栈实战：从建模到部署：覆盖模型构建、训练优化、跨平台部署与工程交付，帮助开发者掌握从原型到上线的完整 AI 开发流程
PyTorch 全栈实战专栏： PyTorch 框架的全栈实战应用，涵盖从模型训练、优化、部署到维护的完整流程
深入理解 TensorRT：深入解析 TensorRT 的核心机制与部署实践，助力构建高性能 AI 推理系统
Megatron-LM 实战笔记：聚焦于 Megatron-LM 框架的实战应用，涵盖从预训练、微调到部署的全流程
AI Agent：系统学习并亲手构建一个完整的 AI Agent 系统，从基础理论、算法实战、框架应用，到私有部署、多端集成
DeepSeek 实战与解析：聚焦 DeepSeek 系列模型原理解析与实战应用，涵盖部署、推理、微调与多场景集成，助你高效上手国产大模型
端侧大模型：聚焦大模型在移动设备上的部署与优化，探索端侧智能的实现路径
行业大模型 · 数据全流程指南：大模型预训练数据的设计、采集、清洗与合规治理，聚焦行业场景，从需求定义到数据闭环，帮助您构建专属的智能数据基座
机器人研发全栈进阶指南：从ROS到AI智能控制：机器人系统架构、感知建图、路径规划、控制系统、AI智能决策、系统集成等核心能力模块
人工智能下的网络安全：通过实战案例和系统化方法，帮助开发者和安全工程师识别风险、构建防御机制，确保 AI 系统的稳定与安全
智能 DevOps 工厂：AI 驱动的持续交付实践：构建以 AI 为核心的智能 DevOps 平台，涵盖从 CI/CD 流水线、AIOps、MLOps 到 DevSecOps 的全流程实践。
C++学习笔记？：聚焦于现代 C++ 编程的核心概念与实践，涵盖 STL 源码剖析、内存管理、模板元编程等关键技术
AI × Quant 系统化落地实战：从数据、策略到实盘，打造全栈智能量化交易系统

---

✨摘要

在多工具协同的大模型系统中，函数调用（Function Calling / Tool Use）成为连接模型与业务逻辑的关键机制。然而，结构不一致、字段漂移、类型不对等问题频发，让许多开发者“调不出行为一致的 JSON”。本篇文章将围绕 OpenAI 与 DeepSeek 两大主流支持 Function 调用的大模型，系统讲解函数调用 Prompt 的编排方法：如何描述意图、约束格式、控制字段生成；如何处理多函数、多参数、多返回结构；如何利用 system+user 层提示词精细控制模型行为。同时对比两类模型在调用策略、结构容错、字段对齐等方面的异同，帮助你真正构建可用、可控、可系统集成的“函数 Prompt 调用规范”。

---

📚目录

第一章：Tool 调用已成为大模型系统“落地工程”的关键接口

• 为什么 Function Prompt 比普通 Prompt 更容易崩？
• 函数调用中的三大问题：结构错 / 行为漂 / 类型不对
• Prompt 不再是问句，而是行为控制器 + 接口协商协议

---

第二章：OpenAI Function Calling 的调用机制与 Prompt 结构

• function schema / 参数结构 / auto tool use 机制
• system prompt 的位置与作用
• user prompt 如何引导字段选择与内容控制
• JSON 输出控制技巧：格式嵌入、字段限定、空值约束

---

第三章：DeepSeek Tools 的调用机制与 Prompt 协议设计

• DeepSeek 的 tool 调用协议（调用触发逻辑 / 工具清单）
• 角色提示结构解析：system / tool_desc / user
• 多轮交互中的函数选择行为策略
• 常见问题点：结构混出 / tool_response 不合法 / 参数漏填

---

第四章：多参数函数的 Prompt 控形技巧

• 如何控制模型按字段顺序逐项生成
• Enum、日期、bool、嵌套结构的 Prompt 设计技巧
• 多字段字段解释 vs 不解释行为控制方式
• fallback prompt + 无效参数处理建议

---

第五章：OpenAI × DeepSeek 双模型函数调用行为对比

• 调用行为触发点：是否自动？是否按顺序？
• JSON 格式差异：空字段是否保留、字段顺序是否稳定
• 容错策略差异：字段缺失 / 非枚举值处理 / 类型偏移响应
• 多轮函数调用下的上下文处理能力（包含tool返回）

---

第六章：最佳实践与结构模板整理（可直接复用）

• 标准函数描述结构模板（OpenAI / DeepSeek）
• Prompt 分层结构设计：系统层、字段引导层、行为约束层
• 工具调用统一提示模板（含结构示例）
• 多模型兼容场景下的 Prompt Selector 与输出标准化建议

---

第七章：结语｜函数 Prompt 是“系统协议设计”，不是一句提示词

• 工程落地时最怕的不是模型不懂，而是模型“不按规范”输出
• Prompt 要学会写成“结构生产协议”，而非“自然语言期望”
• 控字段、控行为、控结构，是函数调用下 Prompt 的三要素

---

第一章：Tool 调用已成为大模型系统“落地工程”的关键接口

---

✅ 1.1 为什么要用函数调用？不是让模型自由回答就行吗？

函数调用（Function Calling / Tool Use）解决的是一个工程本质问题：

怎么让模型“别说话”，而是“直接做事”。

举例：
用户问：“请帮我订明天下午两点从北京到上海的高铁票。”

普通对话模型输出：

好的，您需要一张明天下午两点从北京到上海的高铁票，我来帮您处理。

函数调用模型输出：

{
  "name": "book_ticket",
  "arguments": {
    "departure_city": "北京",
    "arrival_city": "上海",
    "departure_time": "2024-04-17T14:00:00"
  }
}

✅ 这才是系统能用、能接、能执行的行为结构。

---

✅ 1.2 为什么函数调用中的 Prompt 更容易“出错”？

常见结构性问题：

问题	现象
字段错位	模型输出中将 city 写成 location
枚举值不符	模型返回 "gender": "男生"，而不是 "male"
输出解释内容混入 JSON	JSON 中出现 "请参考以下参数：" 这样的自然语言片段
顺序错乱 / 空字段缺失	JSON 字段不全、顺序随意、无法被系统正确解析

这些问题不是模型理解能力弱，而是Prompt 编排不严谨、结构控制不精确导致的。

---

✅ 1.3 Prompt 在函数调用中的作用是什么？

在 Function 模型中，Prompt 的角色已经从“语言引导”升级为系统协议层：

• 指定字段结构
• 控制行为顺序
• 限定枚举值范围
• 描述参数意图与使用方式
• 触发函数调用行为（明确提示该调用 / 暗示调用意图）

📌 写得不准，不是语义不通，而是整个系统调不通。

---

第二章：OpenAI Function Calling 的调用机制与 Prompt 结构

---

✅ 2.1 Function Calling 是怎么运作的？

OpenAI 在 function-calling 模型（如 GPT-4-0613 / gpt-3.5-turbo-0613）中支持以下模式：

• 提前注册函数 schema（含函数名、参数、字段说明）
• 模型基于用户输入判断是否应调用某函数
• 模型根据 schema 结构，生成 arguments（严格 JSON）
• 返回结果 → 模型继续生成 response（如果启用）

📌 Prompt 在其中承担：行为引导、参数定位、结构控制三大任务。

---

✅ 2.2 Function schema 示例

{
  "name": "book_flight",
  "description": "预订一张国内航班机票",
  "parameters": {
    "type": "object",
    "properties": {
      "departure_city": {
        "type": "string",
        "description": "出发城市，如 北京"
      },
      "arrival_city": {
        "type": "string",
        "description": "到达城市，如 上海"
      },
      "departure_date": {
        "type": "string",
        "format": "date"
      }
    },
    "required": ["departure_city", "arrival_city", "departure_date"]
  }
}

✅ Prompt 的任务是：让模型明确“你现在要填的字段有哪些，它们是什么意思”。

---

✅ 2.3 Prompt 编排方式（推荐结构分层）

OpenAI 的 Function Prompt 推荐采用如下结构设计：

层级	内容
system	说明角色 / 功能目标，如“你是航班助手，请使用函数回答用户请求”
user	纯自然语言问题，如“我想订明天下午从北京飞上海的机票”
schema	注册函数结构（由调用 API 时提供，不在 Prompt 中显式出现）
温控参数	设置 temperature = 0，减少生成漂移

---

✅ 2.4 Prompt 控形技巧：让模型只生成结构、不生成解释

控制点	Prompt 编写建议
禁止语言解释	在 system 中加入：“请勿输出自然语言，仅返回结构化参数”
控制格式正确	明确指示：“所有字段必须输出，顺序与定义保持一致，不得缺失”
枚举值限定	使用“仅允许填写：[‘国内’, ‘国际’]，不能使用其他词汇”进行限定说明
多字段示例	Few-shot 示例可以极大提升字段位置与结构稳定性（参考 Toolformer 技术）

---

第三章：DeepSeek Tools 的调用机制与 Prompt 协议设计

---

✅ 3.1 DeepSeek 支持 Tool 调用的基本流程

DeepSeek Chat 与 DeepSeek-V2 系列（如 DeepSeek-Coder、DeepSeek-MoE）支持“Tool Call”能力，其典型机制如下：

步骤	内容描述
注册工具	以 JSON 格式注册 tool schema，字段与 OpenAI 相似
注入 tool 描述段	明确每个 tool 的 name、description、参数 schema（称为 tool_desc）
编写 Prompt	通过 system + user 指引模型选择合适工具、填写参数结构
模型判断是否调用	根据上下文判断是否 tool 调用，生成 tool_call 类型响应

📌 DeepSeek 模型偏好明确结构引导型 Prompt，对于“自由提示”响应率较低，需加 tool 名称强提示词。

---

✅ 3.2 DeepSeek tool_desc 描述结构

示例工具注册格式（Python 中注册方式）：

{
  "name": "get_weather",
  "description": "获取城市的天气信息",
  "parameters": {
    "type": "object",
    "properties": {
      "city": {
        "type": "string",
        "description": "城市名称，如 北京"
      },
      "date": {
        "type": "string",
        "description": "查询的日期，例如 2024-04-20"
      }
    },
    "required": ["city", "date"]
  }
}

建议使用工具提示格式：

你可以使用名为 get_weather 的工具，其功能是：获取城市天气信息。该工具需要两个字段：city（城市），date（日期）。

✅ DeepSeek 对于 tool 名称有一定匹配灵敏度，强提示“使用工具 get_weather”效果更稳定。

---

✅ 3.3 Prompt 编排结构推荐（DeepSeek 版）

Prompt 层	内容
system prompt	“你是一个智能助手，可以使用以下工具：get_weather，用于获取天气信息”
tool_desc（工具列表）	工具的 JSON schema，模型可感知参数结构与字段含义
user input	“请帮我查一下北京明天的天气”

📌 与 OpenAI 相比，DeepSeek 的 Tool 用法更偏向传统自然语言引导，需要更显式结构 + 名称提示。

---

✅ 3.4 多轮对话下 Tool 调用行为的注意点

DeepSeek 在多轮上下文中存在一定的“历史粘性”，即：

• 若首轮未明确提示 tool 名称，后续轮次倾向延续自然语言回复
• 若前轮调用结构正确，模型将默认进入结构输出模式，可省略 tool 名称

推荐策略：

• 首轮加 tool 名强引导 + 示例结构输出
• 后续轮控制“行为状态切换”：是否继续调用 or 回复自然语言 or 回问缺参

---

第四章：多参数函数的 Prompt 控形技巧

---

✅ 4.1 多字段结构最常见的失败场景

问题类型	原因
字段顺序错乱	模型不清楚顺序或字段提示不足
部分字段缺失	模型未识别为 required，或未明确指令“不允许省略”
枚举值不合规	模型生成非 schema 中限定的值，如 "gender": "男生" 而非 "male"
解释内容混入 JSON 输出	模型在结构中生成 "备注": "请您注意填写城市名" 这类“多余字段”或自然语言内容

📌 多参数结构最怕的不是理解不了，而是控不住行为偏移，尤其在中文环境 + 多模型切换下。

---

✅ 4.2 Prompt 控字段的三大技巧

控制点	编排建议
字段顺序	在 prompt 中标明“字段顺序不可变，必须依次生成”
必填约束	加强提示：“所有字段都必须填写，缺失将导致任务失败”
枚举解释	显示列出允许值：“gender 字段只能是 ‘male’ 或 ‘female’，不可填其他值”

✅ 对模型而言：越清晰的限制性语言，越容易约束行为结构输出

---

✅ 4.3 特殊字段的 Prompt 编写方法

字段类型	控形建议
日期	格式明确指定：YYYY-MM-DD，例：2024-04-21
布尔值	明确“true 或 false，不能写成‘是’或‘否’”
嵌套结构	拆解说明层级，使用嵌套 JSON 示例帮助模型理解
多选 enum	指定是否允许多个枚举值组合，推荐输出为数组结构

---

✅ 4.4 fallback prompt 与容错策略建议

在模型输出不符合结构时，建议：

• 定义 fallback_prompt，输出结构更强限制版本
• 将 JSON parse 异常接入日志系统（如 PromptLayer）
• 支持 retry 机制（最多两次重试 + 回退自然语言说明）

---

第五章：OpenAI × DeepSeek 双模型函数调用行为对比

---

✅ 5.1 是否自动触发函数调用？

模型	自动 Tool Use 能力	控制机制
OpenAI	✅ 支持自动触发	model 参数设置 tool_choice="auto"
DeepSeek	✅ 支持判断调用，但依赖提示强度	无参数可控，需显式在 prompt 中引导“使用某工具”

📌 DeepSeek 更依赖自然语言和 system prompt 的行为引导，OpenAI 更偏结构匹配。

---

✅ 5.2 JSON 输出行为对比：格式稳定性 & 结构一致性

对比项	OpenAI GPT-4	DeepSeek Chat
字段顺序是否稳定	✅ 与 schema 一致	❌ 偶有打乱，如 "city" 与 "date" 位置对调
是否自动填满字段	✅ 若语义足够，倾向填全	❌ 若字段不在语义焦点中可能省略
是否保留空字段	❌ 常省略空字段	✅ 某些版本保留 "key": null 结构
是否容易混入解释语言	很少（低温度时）	易出现，如 "请参考以下字段"

📌 Prompt 中加入 “禁止生成除结构外的任何文字” 是避免漂移的通用策略。

---

✅ 5.3 容错与输出偏移时的恢复策略

问题类型	OpenAI 响应特点	DeepSeek 响应特点
枚举值错位	常提示 fallback，自行不改写	可能默认生成近似值（如 “男生” 代替 “male”）
类型错误	字符串代替整数会报错，输出失败	某些情况下强转为字符串
结构错误	多字段 JSON 崩溃，API 会直接 reject	某些模型可自动纠正，如输出完整结构但多字段
多轮 fallback	支持精细控制函数调用失败后“用自然语言回复”	支持 tool_response → user 继续提问方式

📌 多轮机制中建议加入工具调用状态标记，如：

{
  "tool_call": "get_weather",
  "status": "failed",
  "reason": "参数格式错误"
}

---

✅ 5.4 行为一致性建议（跨模型对齐输出）

• 建议为每种函数生成 2 套 Prompt 模板：prompt_gpt 与 prompt_ds
• 将字段解释与枚举限定写入 system prompt，保持格式提示明确
• 将所有参数结构写入 centralized schema 文件，并用代码生成注册 JSON

---

第六章：最佳实践与结构模板整理（可直接复用）

---

✅ 6.1 标准模板结构（OpenAI / DeepSeek 通用）

🧩 Prompt 模板推荐格式（system + tool 引导）：

你是一个助手，负责处理用户的请求。你可以使用如下工具：

工具：book_hotel  
功能：预订酒店房间  
参数：城市、入住日期、离开日期、房型（标准间/大床房）

请严格输出结构如下，不要加入任何说明性语言。

---

✅ 6.2 参数模板结构（JSONSchema + 控字段）

{
  "city": "string, 城市名称",
  "checkin_date": "YYYY-MM-DD",
  "checkout_date": "YYYY-MM-DD",
  "room_type": "标准间 / 大床房"
}

📌 推荐在 prompt 结尾加入结构控制句：

“输出必须为 JSON，字段顺序与上述保持一致，所有字段均为必填，不能添加其他内容。”

---

✅ 6.3 多模型兼容建议：PromptSelector 模块

实现方式（Python）：

def select_prompt(model_name):
    if "gpt" in model_name:
        return PROMPT_TEMPLATE_GPT
    elif "deepseek" in model_name:
        return PROMPT_TEMPLATE_DS
    else:
        return PROMPT_TEMPLATE_DEFAULT

📌 结合 FastAPI / LangChain，可实现多模型统一接口 + Prompt 多版本切换。

---

✅ 6.4 日志观测与回放建议

工具	推荐用途
LangSmith	tool_call trace、字段命中率分析、行为回放
PromptLayer	prompt_id + 输出结构日志追踪
DeepEval	结构完整率、字段类型评分、JSON 合法性打分（用于自动评估）

---

✅ 最后一句话：

函数调用场景下的 Prompt，是系统协议，不是文字引导。
控得住字段、稳得住结构、调得起调用，才是真正的函数调用提示词工程化。

---

第七章：结语｜函数 Prompt 是“系统协议设计”，不是一句提示词

---

✅ 函数调用 Prompt 的核心任务，是“结构控制”，不是“语义引导”

普通 Prompt 是在引导模型说出正确的话，
函数调用 Prompt 是在控制模型产出正确的结构。

它的输出必须满足：

• JSON 合法；
• 字段齐全、值合法、类型正确；
• 无自然语言干扰、无多余字段；
• 可直接被系统调用（如 API / 控制逻辑 / 工具函数）消费；

这不是“自然语言的艺术”，而是“结构协议的设计”。

---

✅ 从 Prompt 到 Protocol：提示词的系统角色转变

函数调用时代的 Prompt，实际承担了系统中的“协议层”作用，职责包括：

系统环节	Prompt 控制要点
输入 → 模型	控制意图明晰、字段清晰、行为确定
模型 → 输出结构	控制字段顺序、枚举限定、类型准确、JSON合法
输出结构 → 系统调用	控制系统接口可解析、参数命中率高、可容错/可回退
多轮上下文管理	控制上一轮调用结果的理解与承接、上下文行为一致性

📌 一句话总结：Prompt 不再是“语言”，它是系统级“行为规则”的接口定义方式。

---

✅ 工程化 Prompt 能力，是大模型落地的底层保障

你构建的系统，是否稳定，很大程度上不是看模型，而是：

你是否能写出一套 结构化、约束清晰、行为一致、跨模型兼容的函数调用 Prompt。

这就要求开发者具备：

• JSON schema × Prompt 控形能力；
• 多模型提示词兼容策略（PromptSelector）；
• 多轮调用状态管理 × fallback 机制设计；
• 结构输出追踪与日志观测工具接入（LangSmith / PromptLayer 等）；

---

✅ 最后一句话：

函数调用场景中的 Prompt，不是“提示模型做事”，而是“为系统搭一座可靠的语言桥梁”。

控字段、控行为、控结构 —— 是函数调用提示词的三项基本功，也是 Prompt 工程师必须掌握的硬通货。

---

🌟 如果本文对你有帮助，欢迎三连支持！

👍 点个赞，给我一些反馈动力
⭐ 收藏起来，方便之后复习查阅
🔔 关注我，后续还有更多实战内容持续更新

---

写系统，也写秩序；写代码，也写世界。
观熵出品，皆为实战沉淀。