Function Calling介紹

根據官方文檔和搜索結果，DeepSeek的 Function Calling（函數調用） 功能允許模型通過調用外部工具來增強其能力。以下是其核心原理與實現步驟：

---

核心原理

1. 動態擴展模型能力

通過預定義函數，模型可將用戶查詢映射到具體操作（如調用API、執行計算等），從而突破純文本生成的限制。

2. JSON結構化交互

模型不直接執行函數，而是生成包含函數名和參數的JSON對象，開發者據此執行外部邏輯。

---

實現步驟（以支持Function Calling的模型為例）

1. 定義可用函數

開發者在API請求中聲明函數列表，包括：

• 函數名（如 get_weather）
• 參數描述（如 {"location": "string", "unit": "celsius|fahrenheit"}）

2. 模型匹配與生成

用戶輸入查詢后，模型判斷是否需要調用函數。若需要，則生成JSON對象，例如：

{"tool_calls": [{"function": {"name": "get_weather", "arguments": "{\"location\": \"北京\"}"}}]
}

3. 開發者執行函數

解析JSON并調用對應函數，獲取結果（如調用天氣API返回數據）。

4. 結果反饋給模型

將執行結果返回給模型，模型整合信息生成最終回復（如“北京今天晴天，25℃”）。

---

DeepSeek R1的當前限制

🔴 注意：根據官方文檔（DeepSeek API Docs），DeepSeek R1目前不支持Function Calling，且舊版模型（如 deepseek-chat）的此功能存在以下問題：

• 可能出現循環調用（模型重復生成函數請求）
• 返回空響應或無意義JSON
• 開發團隊正在修復，預計下一版本改進。

---

替代方案建議

1. 自定義流程控制

通過Prompt Engineering引導模型輸出結構化文本，開發者手動解析后調用外部工具。
示例Prompt：

若需查詢天氣，請以JSON格式回復：{"action": "weather", "location": "城市名"}

2. 關注更新動態

建議定期查閱DeepSeek GitHub倉庫或官方文檔，獲取Function Calling支持進展。

---

💡 擴展閱讀

• OpenAI式Function Calling詳解： OpenAI函數調用機制
• DeepSeek工具調用優化方向： Reddit討論

Function Calling調用流程

好的，用戶需要理解Function Calling的流程，并希望有一個流程圖來輔助理解。我之前提供的搜索結果里提到，Function Calling的基本流程包括用戶輸入、模型解析、生成函數調用請求、執行函數、返回結果和生成響應。用戶可能已經了解了一些基本步驟，但可能對具體細節或流程圖有疑問。

首先，需要確認用戶的實際需求。他們可能是在開發中使用大模型，需要集成外部工具，比如天氣API或數據庫查詢。流程圖的請求表明他們希望有一個可視化的步驟說明，可能用于教學或系統設計。

根據搜索結果，尤其是來自CSDN和知乎的鏈接，流程通常包括兩次模型調用：第一次判斷是否需要調用函數，生成請求；第二次根據函數返回的結果生成最終響應。例如，OpenAI的流程是先發送用戶輸入和可用函數列表，模型返回需要調用的函數及參數，執行后再次將結果傳給模型生成回答。

需要注意用戶提到的DeepSeek R1目前不支持Function Calling，但其他模型如GPT-4有該功能。用戶的示例可能基于通用流程，但需要明確說明不同模型的差異。

用戶可能遇到的困惑點在于如何將模型和外部系統連接，以及具體步驟間的數據傳遞。流程圖應清晰展示從用戶輸入到最終響應的閉環過程，包括模型判斷和執行函數的環節。

綜合搜索結果，可以構建一個包含以下步驟的流程圖：

1. 用戶輸入問題。
2. 模型解析并判斷是否需要調用函數。
3. 生成函數調用請求（名稱和參數）。
4. 應用程序執行函數并獲取結果。
5. 結果返回給模型。
6. 模型整合結果生成最終響應。

需要指出的是，部分實現可能需要兩次模型交互，如OpenAI的流程，而有些可能整合為一次。此外，函數參數的驗證和錯誤處理也是重要環節，但可能不在基礎流程中體現。

最后，確保流程圖簡潔易懂，用文字說明每個步驟的關鍵點，如模型生成結構化請求（JSON），應用程序執行外部API調用等。同時，參考提供的鏈接中的示意圖，但可能無法直接訪問圖片，需用文字描述結構。

以下是 Function Calling（函數調用） 的詳細流程及示意圖，結合大模型與外部工具的交互機制：

---

Function Calling 核心流程

1. 用戶輸入請求

• 用戶提出自然語言請求（如“北京今天的天氣如何？”）。

2. 模型解析意圖

• 大模型（如GPT-4）分析用戶意圖，判斷是否需要調用外部函數（如天氣API）。

3. 生成函數調用請求

• 模型返回結構化請求（JSON格式），包含函數名和參數：

  {"tool_calls": [{"function": {"name": "get_weather", "arguments": "{\"location\": \"北京\"}"}}]
  }
  

4. 執行外部函數

• 應用程序解析請求，調用對應的函數（如查詢天氣API）。

5. 返回函數結果

• 函數執行結果（如溫度、天氣狀況）返回給模型。

6. 生成最終響應

• 模型將結果整合為自然語言回復（如“北京今天晴天，25℃”）。

---

流程圖

用戶輸入│▼
大模型解析意圖│▼
是否需要調用函數？ ——是→ 生成函數調用請求（JSON）│                       │否                        ▼│                    執行外部函數（如API、數據庫）▼                       │
直接生成回答              ▼│                    獲取函數結果▼                       │
返回用戶響應 ←───────────┘

---

關鍵點說明

1. 兩次模型交互（如OpenAI）

• 第一次請求：發送用戶輸入 + 可用函數列表，模型返回需調用的函數及參數。
• 第二次請求：發送函數執行結果，模型生成最終回復。

2. 結構化參數驗證

• 應用程序需校驗參數格式（如參數類型、必填字段），避免錯誤調用。

3. 錯誤處理

• 若函數調用失敗，模型可能重新生成請求或提示用戶修正輸入。

---

參考案例（天氣查詢）

1. 用戶輸入

“上海明天會下雨嗎？”

2. 模型返回函數調用

{"function": "get_weather", "arguments": {"location": "上海", "date": "2024-06-20"}}

3. 執行天氣API查詢

調用第三方API獲取天氣數據（如{"weather": "rain", "temp": 22}）。

4. 模型生成最終響應

“上海明天有雨，氣溫22℃。”

---

擴展閱讀

• OpenAI Function Calling 官方文檔
• 大模型函數調用原理與實戰（CSDN）
• LangChain 函數調用實現

通過流程圖和分步解釋，可以更清晰地理解大模型如何通過函數調用與外部系統協同工作。

Function Calling Python代碼示例（以調用OpenAI模型為例）

代碼

以下是使用OpenAI Function Calling的Python代碼示例，實現天氣查詢功能：

import openai
import json# 配置OpenAI API密鑰
openai.api_key = "sk-your-api-key-here"def get_current_weather(location, unit="celsius"):"""模擬天氣API調用（實際應替換為真實API調用）"""weather_data = {"location": location,"temperature": "25","unit": unit,"forecast": ["sunny", "windy"],}return json.dumps(weather_data)def run_conversation():# 第一步：發送用戶查詢和函數定義messages = [{"role": "user", "content": "北京今天天氣怎么樣？"}]functions = [{"name": "get_current_weather","description": "獲取指定地區的當前天氣","parameters": {"type": "object","properties": {"location": {"type": "string","description": "城市或地區名稱，例如：北京",},"unit": {"type": "string", "enum": ["celsius", "fahrenheit"],"description": "溫度單位"}},"required": ["location"],},}]# 初始API調用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：處理函數調用if hasattr(response_message, "function_call"):# 解析函數調用信息function_name = response_message["function_call"]["name"]function_args = json.loads(response_message["function_call"]["arguments"])# 調用對應函數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：發送函數結果給模型messages.append(response_message)  # 添加助理的消息messages.append({"role": "function","name": function_name,"content": function_response,})# 獲取最終響應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']# 運行對話
print(run_conversation())

代碼解析：

1. 函數定義

• get_current_weather：模擬天氣API調用（實際開發需替換為真實API）
• 參數驗證邏輯可在此函數中添加

2. API交互流程

用戶輸入 → 模型判斷需要函數調用 → 生成函數調用請求 → 
執行函數 → 返回結果給模型 → 生成最終響應

3. 關鍵參數說明

• functions：聲明模型可用的函數列表
• function_call：設置為"auto"讓模型自主決策

執行示例輸出：

北京今天天氣晴朗，當前氣溫為25攝氏度，風力較大。請注意防曬。

注意事項：

1. 需替換為有效的OpenAI API密鑰（sk-your-api-key-here）

2. GPT-3.5-turbo版本需 >= 0613 才能支持函數調用

3. 實際生產環境需要：

• 添加錯誤處理（網絡錯誤/參數錯誤）
• 實現真正的天氣API調用
• 設置合理的temperature參數控制輸出穩定性

如果需要DeepSeek版本的實現，請關注其API文檔的更新，當前（截至2024年6月）DeepSeek R1尚未開放Function Calling支持。