注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】

清华《GPT多模态大模型与AI Agent智能体》书籍配套视频课程【陈敬雷】

GPT多模态大模型与AI Agent智能体系列二百二十一

Agent开发必看！DeepSeek-V3 Function Calling从原理到落地：教你让大模型“自己调用工具查天气、跑数据”

在AI智能体（Agent）开发中，“让大模型调用外部工具”是绕不开的关键环节——如果没有工具调用能力，大模型顶多是个“能聊天的文本生成器”，连实时查天气、调用API、处理数据都做不到。而Function Calling（函数调用） 正是解决这一痛点的核心技术：它像一座“中介桥梁”，一边承接大模型的决策请求，一边调用外部工具（如天气API、数据库、代码解释器），最终让大模型从“被动对话”升级为“主动执行任务”的Agent。

本文以DeepSeek-V3-0324模型为例，从技术概念、实战准备（OpenWeather API）、完整执行流程到函数封装，全方位拆解Function Calling的原理与落地细节，帮开发者快速掌握“让大模型干活”的核心能力。

一、为什么Function Calling是Agent的“灵魂”？技术概念解析

大模型本身存在一个致命局限：无法直接与外部工具通信。比如用户问“北京今天天气怎么样”，DeepSeek-V3能理解意图，但它没有“实时获取天气数据”的接口；想让它“分析Excel里的销售数据”，它也不能直接读取本地文件——这也是传统聊天机器人与智能体（Agent）的本质区别：前者只输出信息，后者能执行任务。

而Function Calling的核心作用，就是填补“大模型”与“外部工具”之间的鸿沟，其技术逻辑可概括为“三步中介”：

1. 大模型发起请求：用户提出需求（如查天气），开发者将“可调用的外部函数信息”（如函数名、功能描述、参数格式）传给大模型，大模型通过推理判断“需要调用该函数”；
2. 外部工具执行任务：Function Calling接收大模型的“调用指令”（含函数名、参数），触发本地或云端的外部工具（如天气API、代码脚本）执行任务，获取结果；
3. 结果返回与整理：Function Calling将工具执行结果回传给大模型，大模型分析结果后，用自然语言输出最终答案（如“北京今天阴，气温11.11°C”）。

简单说，Function Calling就像大模型的“专属助理”：大模型负责“判断要不要干活、干哪件活”，Function Calling负责“联系工具、把活干了、把结果带回来”，二者配合实现Agent的“自主执行能力”。

二、实战准备：OpenWeather API注册与数据获取（Function Calling的“工具载体”）

要实现“查天气”的Function Calling案例，首先需要一个能提供实时天气数据的外部工具——OpenWeather API（免费且易上手）。这部分虽标注“选学”，却是理解Function Calling实战的关键，步骤如下：

2.1 OpenWeather API Key获取流程（核心前提）

API Key是调用外部服务的“身份凭证”，防止接口被滥用，获取步骤清晰且无需科学上网：

1. 注册账号：访问OpenWeather官网（https://openweathermap.org/），点击“Sign→Create Account”，用国内邮箱（如QQ邮箱）即可注册；
2. 获取API Key：注册完成后，进入“API Keys”页面，系统会自动生成一个激活的API Key（若未生成，可手动点击“Create Key”创建）；
3. 设置环境变量：为避免API Key硬编码在代码中导致泄露，需将其设为系统环境变量（变量名建议为OPENWEATHER_API_KEY）。设置方法参考：Windows用“环境变量”面板，Linux/macOS在终端执行export OPENWEATHER_API_KEY="你的Key"。

2.2 用OpenWeather API获取实时天气（工具调用测试）

获取API Key后，可通过Python代码调用API获取天气数据，核心步骤如下：

1. 导入依赖库：需os（读取环境变量）、requests（发送HTTP请求）；
2. 读取API Key与构造请求：从环境变量中读取Key，指定城市（需英文，如“Beijing”，中文会导致识别失败）、单位（如“metric”代表摄氏度），构造API请求URL；
3. 发送请求与解析结果：用requests.get()发送请求，若返回状态码为200（代表请求成功），用response.json()解析JSON格式的天气数据（包含气温、湿度、风速等信息）。

示例代码片段（关键部分）：

import os
import requests

# 读取环境变量中的API Key
open_weather_key = os.getenv("OPENWEATHER_API_KEY")
# 构造请求参数（城市：北京，单位：摄氏度）
city = "Beijing"
url = f"http://api.openweathermap.org/data/2.5/weather?q={city}&appid={open_weather_key}&units=metric"

# 发送请求并解析
response = requests.get(url)
if response.status_code == 200:
    weather_data = response.json()
    # 提取关键信息（气温、体感温度、湿度）
    temp = weather_data["main"]["temp"]
    feels_like = weather_data["main"]["feels_like"]
    humidity = weather_data["main"]["humidity"]
    print(f"北京当前气温：{temp}°C，体感温度：{feels_like}°C，湿度：{humidity}%")
else:
    print(f"请求失败，状态码：{response.status_code}")

这一步的核心目的是验证“外部工具可正常调用”，为后续Function Calling对接大模型打下基础。

三、核心流程：DeepSeek-V3 Function Calling的“两次交互”（从请求到答案）

Function Calling的完整执行并非“一次调用模型就结束”，而是需要“两次模型交互+一次工具执行”，即First response（第一次请求模型，获取工具调用指令） 和Second response（第二次请求模型，生成最终答案）。这是开发者最容易混淆的部分，需逐步拆解：

3.1 First response：模型返回“工具调用指令”（不直接回答）

当用户提出“查北京天气”的需求时，第一次调用DeepSeek-V3模型，核心是“告诉模型有哪些可用函数”，让模型判断是否需要调用工具。

步骤1：定义“函数描述信息”（关键！模型靠这个识别函数）

需将外部函数（如get_weather）的信息按指定格式传给模型，格式为functions参数（list of dicts），每个dict包含3个核心键：

• name：函数名（字符串，需与实际函数名一致，仅含字母、数字、下划线、破折号，最长64字符）；
• description：函数功能描述（可选但必需，模型靠这个判断“何时该调用此函数”，描述越详细，模型判断越准确）；
• parameters：函数参数（必选，需符合JSON Schema格式，定义参数名、类型、是否必选、说明）。

以get_weather函数为例，函数描述信息如下：

functions = [
    {
        "name": "get_weather",
        "description": "获取指定城市的实时天气信息，城市名需为英文",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {
                    "type": "string",
                    "description": "城市名称（必须为英文，如Beijing、Shanghai）"
                },
                "unit": {
                    "type": "string",
                    "description": "温度单位，可选值：metric（摄氏度）、imperial（华氏度），默认metric"
                }
            },
            "required": ["city"]  # 必选参数：city
        }
    }
]

步骤2：调用模型，获取First response

构造messages（包含用户问题），调用DeepSeek-V3的chat.completions.create()，传入functions参数，触发Function Calling功能：

from openai import OpenAI  # DeepSeek API兼容OpenAI SDK格式

# 初始化客户端（base_url为DeepSeek API地址，api_key为你的DeepSeek Key）
client = OpenAI(api_key="你的DeepSeek API Key", base_url="https://api.deepseek.com")

# 构造用户消息
messages = [{"role": "user", "content": "查询北京今天的实时天气"}]

# 第一次调用模型（开启Function Calling）
response = client.chat.completions.create(
    model="deepseek-chat",
    messages=messages,
    functions=functions
)

步骤3：解析First response的“tool_calls”

此时模型不会直接输出天气答案，而是返回tool_calls（代表“需要调用工具”），response.choices[0].message的结构如下：

• content：为空（因为模型知道需调用工具，不生成文本回答）；
• tool_calls：列表，每个元素为ChatCompletionMessageToolCall对象，包含：
  • id：工具调用请求ID（唯一标识）；
  • function：函数调用信息（name为函数名，arguments为JSON格式的参数）；
  • type：调用类型（固定为“function”）。

需提取function的name（函数名）和arguments（参数），代码如下：

message = response.choices[0].message
# 提取工具调用信息
if message.tool_calls:
    tool_call = message.tool_calls[0]
    function_name = tool_call.function.name  # 提取函数名："get_weather"
    function_args = eval(tool_call.function.arguments)  # 提取参数：{"city": "Beijing", "unit": "metric"}

步骤4：本地执行函数（模型不执行，仅返回指令）

DeepSeek-V3仅负责“判断调用哪个函数、传什么参数”，不执行函数逻辑，因此需在本地实现get_weather函数，并传入function_args执行，获取天气数据：

def get_weather(city, unit="metric"):
    """本地实现的天气查询函数"""
    open_weather_key = os.getenv("OPENWEATHER_API_KEY")
    url = f"http://api.openweathermap.org/data/2.5/weather?q={city}&appid={open_weather_key}&units={unit}"
    response = requests.get(url)
    if response.status_code == 200:
        return response.json()  # 返回JSON格式的天气数据
    else:
        return f"请求失败，状态码：{response.status_code}"

# 执行函数（用**将字典参数转为函数参数）
weather_result = get_weather(** function_args)

这里的**function_args是Python的便捷语法，可将{"city": "Beijing", "unit": "metric"}转为city="Beijing", unit="metric"，避免手动拆解参数。

3.2 Second response：模型基于“工具结果”生成最终答案

第一次交互获取了“天气数据”，第二次交互需将该结果传给模型，让模型分析并输出自然语言答案。

步骤1：构造“function message”（传递工具执行结果）

需将工具执行结果封装为function角色的消息，追加到messages中，格式要求：

• role：固定为“function”；
• name：调用的函数名（需与First response中的function_name一致）；
• content：工具执行结果（如JSON格式的天气数据，需转为字符串）。

代码如下：

# 追加First response的tool_calls消息（assistant角色）
messages.append(message)
# 追加function message（工具执行结果）
messages.append({
    "role": "function",
    "name": function_name,
    "content": str(weather_result)  # 转为字符串，符合message格式要求
})

步骤2：第二次调用模型，获取最终答案

再次调用DeepSeek-V3，此时无需传入functions（模型已知道工具调用完成），仅传入更新后的messages：

# 第二次调用模型
second_response = client.chat.completions.create(
    model="deepseek-chat",
    messages=messages
)

# 提取最终答案
final_answer = second_response.choices[0].message.content
print(final_answer)
# 输出示例：北京今天天气阴，多云，当前气温为11.11°C，体感温度8.82°C。湿度21%，能见度良好（10公里），风速2.08米/秒。

此时second_response.choices[0].message.finish_reason为“stop”，代表模型已完成分析，无需进一步工具调用。

四、完整函数封装：让Function Calling流程“可复用”

为避免每次调用都重复写代码，可将“两次模型交互+工具执行”的流程封装为一个完整函数，实现“输入用户问题，输出最终答案”的自动化：

def agent_weather_query(user_question, deepseek_api_key):
    """
    DeepSeek-V3 Function Calling天气查询Agent
    :param user_question: 用户问题（如“查北京天气”）
    :param deepseek_api_key: DeepSeek API Key
    :return: 最终天气答案
    """
    # 1. 初始化客户端
    client = OpenAI(api_key=deepseek_api_key, base_url="https://api.deepseek.com")
    
    # 2. 定义函数描述
    functions = [
        {
            "name": "get_weather",
            "description": "获取指定城市的实时天气信息，城市名需为英文",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名（英文）"},
                    "unit": {"type": "string", "description": "温度单位，默认metric（摄氏度）"}
                },
                "required": ["city"]
            }
        }
    ]
    
    # 3. 第一次调用模型（获取tool_calls）
    messages = [{"role": "user", "content": user_question}]
    first_response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages,
        functions=functions
    )
    first_message = first_response.choices[0].message
    if not first_message.tool_calls:
        return "模型未触发工具调用，无法获取天气数据"
    
    # 4. 执行工具函数
    tool_call = first_message.tool_calls[0]
    function_name = tool_call.function.name
    function_args = eval(tool_call.function.arguments)
    weather_result = get_weather(** function_args)
    
    # 5. 第二次调用模型（生成最终答案）
    messages.append(first_message)
    messages.append({
        "role": "function",
        "name": function_name,
        "content": str(weather_result)
    })
    second_response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages
    )
    
    return second_response.choices[0].message.content

# 调用封装函数
result = agent_weather_query("查上海今天的天气", "你的DeepSeek API Key")
print(result)

封装后，只需传入用户问题和API Key，即可快速获取天气答案，可轻松扩展到其他场景（如查股票、查快递）——只需替换functions和对应的工具函数即可。

五、关键注意事项与技术价值

5.1 开发者必踩的3个坑

1. 函数描述（description）不清晰：模型靠description判断是否调用函数，若描述模糊（如“获取天气”），模型可能不触发工具调用；需精确（如“获取指定英文城市的实时天气，含气温、湿度、风速”）；
2. API Key泄露：切勿将API Key硬编码在代码中，务必通过环境变量或配置文件读取；
3. 参数格式错误：parameters需严格符合JSON Schema格式，必选参数（如city）必须标注，否则模型可能传错参数。

5.2 Function Calling的技术价值

对开发者而言，掌握DeepSeek-V3的Function Calling意味着：

1. 快速搭建Agent：无需从零开发“决策逻辑”，借助大模型的推理能力，只需封装外部工具函数，即可实现“能干活的Agent”（如天气助手、数据分析助手）；
2. 扩展大模型边界：让大模型从“文本生成”延伸到“实际任务执行”，可对接数据库、API、本地脚本等，覆盖企业办公、个人效率等场景；
3. 降低开发门槛：DeepSeek-V3兼容OpenAI SDK，无需学习新框架，熟悉Python即可上手。

六、总结

Function Calling是大模型进化为Agent的“核心中介技术”，而DeepSeek-V3为这一技术提供了便捷的实战载体。其核心逻辑是“两次模型交互+一次工具执行”：第一次让模型判断“要不要调用工具、调用哪个”，第二次让模型分析“工具结果”并生成答案。

对开发者而言，从“理解原理”到“实战落地”，关键在于：明确函数描述格式、掌握工具调用流程、做好API安全防护。一旦掌握，不仅能快速搭建天气查询这类简单Agent，还能扩展到更复杂的场景（如多工具协同、批量数据处理），真正让大模型从“聊天工具”变为“生产力助手”。

更多技术内容

更多技术内容可参见
清华《GPT多模态大模型与AI Agent智能体》书籍配套视频【陈敬雷】。
更多的技术交流和探讨也欢迎加我个人微信chenjinglei66。

总结

此文章有对应的配套新书教材和视频：

【配套新书教材】
《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】
新书特色：《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）是一本2025年清华大学出版社出版的图书，作者是陈敬雷，本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。
全书共8章，从大模型技术原理切入，逐步深入大模型训练及微调，还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体，从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面，本书提供了丰富的案例分析，如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人，以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用，也为读者提供了宝贵的实践经验。
本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读，也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统，既有理论知识的深入讲解，也有大量的实践案例和代码示例，能够帮助学生在掌握理论知识的同时，培养实际操作能力和解决问题的能力。通过阅读本书，读者将能够更好地理解大模型技术的前沿发展，并将其应用于实际工作中，推动人工智能技术的进步和创新。

【配套视频】

清华《GPT多模态大模型与AI Agent智能体》书籍配套视频【陈敬雷】
视频特色： 前沿技术深度解析，把握行业脉搏

实战驱动，掌握大模型开发全流程

智能涌现与 AGI 前瞻，抢占技术高地

上一篇：《GPT多模态大模型与AI Agent智能体》系列一》大模型技术原理 - 大模型技术的起源、思想
下一篇：DeepSeek大模型技术系列五》DeepSeek大模型基础设施全解析：支撑万亿参数模型的幕后英雄