摘要：本文从大学生视角出发，详细介绍了如何将 OpenAI 的 Function calling 工具调用机制与 DeepSeek 大模型结合使用。首先讲解了 DeepSeek API 的基本调用流程，包括客户端初始化、网络连接建立、请求发送和响应接收。然后重点阐述了 Function calling 的三个核心步骤：1) 定义本地工具函数；2) 按照 OpenAI 规范定义工具 Schema；3) 实现工具调用执行函数。文章通过完整的 Python 代码示例，展示了如何实现一个支持星座运势查询、天气查询和数学计算的简单工具调用 Agent，并详细解释了三种 tool_choice 模式（auto、none、强制指定）的使用方法。

学习到工具（Function calling）时候，突然想到deepseek好像介绍过自己的大模型如何接，就想着把open ai的工具融到这里面，来进行一些小娱乐

# Please install OpenAI SDK first: `pip3 install openai`
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get('DEEPSEEK_API_KEY'),
    base_url="https://api.deepseek.com")

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "Hello"},
    ],
    stream=False,
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled"}}
)

print(response.choices[0].message.content)

这是deepseek官方的简单调用，具体解释一下

先实例化客户端，仅初始化配置，不建立连接，属于懒连接机制

client = OpenAI(
    api_key=os.environ.get('DEEPSEEK_API_KEY'),
    base_url="https://api.deepseek.com")

后面重头戏，完整链接链路，也是等到*.create（）才真正建立连接

阶段 1：建立网络连接

1. SDK 解析 base_url=https://api.deepseek.com，DNS 解析域名
2. 发起 HTTPS TCP 握手，建立加密连接
3. 带上请求头（Authorization 鉴权、Content-Type 等）

阶段 2：向 DeepSeek 服务端发送完整请求体

把 model、messages、reasoning_effort、extra_body 等参数打包成 JSON POST 请求发给服务端； 服务端加载 deepseek-v4-pro 模型，执行推理计算。

阶段 3：接收服务端返回的完整响应

等模型推理完成，服务端把结构化 JSON 返回给本地 SDK，SDK 解析成 ChatCompletion 对象存入 response 变量。

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "Hello"},
    ],
    stream=False,
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled"}}
)

最后就是简单的打印出来

print(response.choices[0].message.content)

介绍完deepseek后，也是到了今天的重头戏，工具注册以及调用（Function calling）了

Function calling

基于Open ai 的SDK来进行讲解

定义工具

首先是定义函数

def get_horoscope(sign: str) -> str:
    """星座运势工具"""
    return f"{sign}: Next Tuesday you will befriend a baby otter."

def get_weather(city: str, date: str = "today") -> str:
    """查询城市天气"""
    return f"{city} {date}：晴，24~30℃，微风"

def calculate_math(expr: str) -> str:
    """数学计算，传入数学表达式"""
    try:
        res = eval(expr)
        return f"计算结果 {expr} = {res}"
    except Exception as e:
        return f"计算失败：{str(e)}"

这里定义了三个本地工具，分别是固定回答以及运算

注意的是，到这并未能直接使用，因为你传给大模型，它是有固定json格式的

tools = [
    # 工具1：星座运势
    {
        "type": "function",
        "function": {
            "name": "get_horoscope",
            "description": "Get today's horoscope for an astrological sign.",
            "parameters": {
                "type": "object",
                "properties": {
                    "sign": {
                        "type": "string",
                        "description": "An astrological sign like Taurus or Aquarius",
                    },
                },
                "required": ["sign"],
            },
        }
    }
}

这里我只定义一个，如果需要多个的话，就直接在后面加就完事了

注意，这里面五个属性及其重要

Field 领域 / 范围	描述
type	固定值为 function
name	函数名称，示例：get_weather
description	说明该函数的适用场景、使用方式
parameters	定义函数入参的 JSON Schema
strict	是否开启函数调用严格校验模式

一般strict默认不严格

而且可以看到刚开始定义的入参是要在这个json格式中声明并且确定好的

定义完后，肯定是要调用的，那么工具调用函数怎么完成呢，下一步

工具调用

从具体函数来讲解

def run_all_tools(tool_calls):
    """批量执行模型返回的tool_call，返回要追加到messages的tool消息列表"""
    # 空列表，存放所有工具执行完成后的标准消息
    tool_messages = []

    # 循环遍历每一个模型要求调用的工具（支持一次调用多个工具）
    for tool_call in tool_calls:
        # 1. 取出要执行的函数名称
        func_name = tool_call.function.name
        
        # 2. 解析参数：模型返回的arguments是JSON字符串，转成Python字典
        func_args = json.loads(tool_call.function.arguments)
        
        # 3. 函数映射字典：key=函数名，value=本地定义的函数
        # 示例 tool_func_map = {"get_horoscope": get_horoscope, "get_weather": get_weather}
        target_func = tool_func_map[func_name]
        
        # 4. 解包字典，调用本地函数，拿到执行结果
        func_result = target_func(**func_args)

        # 5. 组装协议规定的tool消息
        tool_msg = {
            "role": "tool",
            "tool_call_id": tool_call.id,
            "name": func_name,
            "content": func_result
        }
        tool_messages.append(tool_msg)
    
    # 返回全部工具消息，直接 messages += tool_messages 追加到对话上下文
    return tool_messages

直接看注释来进行理解

对于tool_calls，它的格式进行讲解

tool_call = {
    "id": "随机唯一标识",
    "function": {
        "name": "要调用的函数名",
        "arguments": '{"参数1":"值1","参数2":123}'  # JSON字符串，不是字典
    },
    "type": "function"
}

这就是它的格式，也是要遵循的协议，按照这个你再去理解上面代码的一些参数就能理解了

最后给出运行函数

运行函数

if __name__ == "__main__":
    # 对话上下文
    messages = [
        {"role": "system", "content": "优先使用工具完成用户问题，无法用工具再自行回答"},
        {"role": "user", "content": "帮我查武汉今天天气，顺便算一下128*56，我是水瓶座看看运势"}
    ]

    # ===================== 三种tool_choice模式切换 =====================
    # 模式1：auto 自动选择是否调用、调用哪个工具（默认推荐）
    tool_choice_mode = "auto"

    # 模式2：none 禁止调用任何工具，模型直接回答
    # tool_choice_mode = "none"

    # 模式3：强制指定必须调用某一个工具
    # tool_choice_mode = {
    #     "type": "function",
    #     "function": {"name": "get_weather"}
    # }
    # =================================================================

    # 第一轮模型请求
    response = client.chat.completions.create(
        model=MODEL_NAME,
        tools=tools,
        tool_choice=tool_choice_mode,
        messages=messages,
        temperature=0.2
    )

    assistant_msg = response.choices[0].message
    messages.append(assistant_msg.model_dump())

    # 判断是否存在工具调用
    if assistant_msg.tool_calls:
        # 批量执行所有工具，获取工具返回消息
        tool_msg_list = run_all_tools(assistant_msg.tool_calls)
        messages.extend(tool_msg_list)

        print("==== 完整对话上下文（含工具调用记录） ====")
        print(json.dumps(messages, indent=2, ensure_ascii=False))

        # 二次提交工具结果，生成最终自然语言回答
        final_res = client.chat.completions.create(
            model=MODEL_NAME,
            messages=messages,
            temperature=0.2
        )
        print("\n==== 模型最终整合回答 ====")
        print(final_res.choices[0].message.content)
    else:
        print("模型未触发工具调用，直接输出：")
        print(assistant_msg.content)

到此基本讲完整个流程，最后将完整代码呈上，简单工具调用agent

from openai import OpenAI
import json

# ===================== 【这里必须修改】 =====================
DEEPSEEK_API_KEY = "自己key"
MODEL_NAME = "deepseek-chat"
# ==========================================================

# 初始化DeepSeek客户端（兼容OpenAI SDK）
client = OpenAI(
    api_key=DEEPSEEK_API_KEY,
    base_url="https://api.deepseek.com"
)

# ========== 1. 定义多个本地工具函数 ==========
def get_horoscope(sign: str) -> str:
    """星座运势工具"""
    return f"{sign}: Next Tuesday you will befriend a baby otter."

def get_weather(city: str, date: str = "today") -> str:
    """查询城市天气"""
    return f"{city} {date}：晴，24~30℃，微风"

def calculate_math(expr: str) -> str:
    """数学计算，传入数学表达式"""
    try:
        res = eval(expr)
        return f"计算结果 {expr} = {res}"
    except Exception as e:
        return f"计算失败：{str(e)}"

# 工具映射表：函数名 -> 实际函数（核心通用分发）
tool_func_map = {
    "get_horoscope": get_horoscope,
    "get_weather": get_weather,
    "calculate_math": calculate_math
}

# ========== 2. 多工具Schema定义，全部注册给模型 ==========
tools = [
    # 工具1：星座运势
    {
        "type": "function",
        "function": {
            "name": "get_horoscope",
            "description": "Get today's horoscope for an astrological sign.",
            "parameters": {
                "type": "object",
                "properties": {
                    "sign": {
                        "type": "string",
                        "description": "An astrological sign like Taurus or Aquarius",
                    },
                },
                "required": ["sign"],
            },
        }
    },
    # 工具2：天气查询
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Query weather of target city, support custom date",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "City name, e.g. Beijing, Shanghai"
                    },
                    "date": {
                        "type": "string",
                        "description": "Query date, default today",
                    }
                },
                "required": ["city"]
            }
        }
    },
    # 工具3：数学计算器
    {
        "type": "function",
        "function": {
            "name": "calculate_math",
            "description": "Calculate math expression like 1+2*3, sqrt(16)",
            "parameters": {
                "type": "object",
                "properties": {
                    "expr": {
                        "type": "string",
                        "description": "Mathematical expression string"
                    }
                },
                "required": ["expr"]
            }
        }
    }
]

# ========== 3. 通用工具调用执行函数 ==========
def run_all_tools(tool_calls):
    """批量执行模型返回的tool_call，返回要追加到messages的tool消息列表"""
    tool_messages = []
    for tool_call in tool_calls:
        func_name = tool_call.function.name
        func_args = json.loads(tool_call.function.arguments)
        # 根据函数名自动匹配本地函数
        target_func = tool_func_map[func_name]
        func_result = target_func(**func_args)

        # 组装tool角色消息
        tool_msg = {
            "role": "tool",
            "tool_call_id": tool_call.id,
            "name": func_name,
            "content": func_result
        }
        tool_messages.append(tool_msg)
    return tool_messages

if __name__ == "__main__":
    # 对话上下文
    messages = [
        {"role": "system", "content": "优先使用工具完成用户问题，无法用工具再自行回答"},
        {"role": "user", "content": "帮我查武汉今天天气，顺便算一下128*56，我是水瓶座看看运势"}
    ]

    # ===================== 三种tool_choice模式切换 =====================
    # 模式1：auto 自动选择是否调用、调用哪个工具（默认推荐）
    tool_choice_mode = "auto"

    # 模式2：none 禁止调用任何工具，模型直接回答
    # tool_choice_mode = "none"

    # 模式3：强制指定必须调用某一个工具
    # tool_choice_mode = {
    #     "type": "function",
    #     "function": {"name": "get_weather"}
    # }
    # =================================================================

    # 第一轮模型请求
    response = client.chat.completions.create(
        model=MODEL_NAME,
        tools=tools,
        tool_choice=tool_choice_mode,
        messages=messages,
        temperature=0.2
    )

    assistant_msg = response.choices[0].message
    messages.append(assistant_msg.model_dump())

    # 判断是否存在工具调用
    if assistant_msg.tool_calls:
        # 批量执行所有工具，获取工具返回消息
        tool_msg_list = run_all_tools(assistant_msg.tool_calls)
        messages.extend(tool_msg_list)

        print("==== 完整对话上下文（含工具调用记录） ====")
        print(json.dumps(messages, indent=2, ensure_ascii=False))

        # 二次提交工具结果，生成最终自然语言回答
        final_res = client.chat.completions.create(
            model=MODEL_NAME,
            messages=messages,
            temperature=0.2
        )
        print("\n==== 模型最终整合回答 ====")
        print(final_res.choices[0].message.content)
    else:
        print("模型未触发工具调用，直接输出：")
        print(assistant_msg.content)

希望对你们有所帮助，也是从一个大学生视角来进行一步一步cang