DeepSeek API函数调用教程：从零实现智能Agent的完整实战指南

Function Calling是2026年AI开发中最重要的技术之一。它让大语言模型从”只会聊天”变成”能干实事”的智能助手——可以查天气、读数据库、发邮件、操作文件系统。而DeepSeek API提供了目前国内性价比最高的Function Calling方案，价格只有OpenAI的十分之一，效果却非常接近。

我过去一年用DeepSeek的Function Calling做了十几个项目，从简单的天气查询机器人到复杂的多工具AI Agent，积累了大量实战经验。这篇文章我会从零开始，手把手带你实现一个完整的智能助手系统。

如果你还不了解DeepSeek，可以先看看DeepSeek模型对比评测。

什么是Function Calling

核心概念

传统的AI对话是这样的：你问AI一个问题，AI用文字回答你。但有了Function Calling，AI可以”调用工具”——它不再只是给你文字回答，而是帮你执行实际操作。

举个例子：

• 没有Function Calling：你问”北京明天天气怎么样”，AI说”我无法获取实时信息，建议你查看天气预报”
• 有Function Calling：你问同样的问题，AI自动调用天气API获取数据，然后告诉你”北京明天晴，最高温度28度，最低温度16度”

工作原理

Function Calling的工作流程分为四个步骤：

1. 定义工具：告诉AI有哪些函数可以调用（函数名、参数、功能描述）
2. 用户提问：用户向AI发送自然语言请求
3. AI决策：AI分析用户意图，决定调用哪个函数、传什么参数
4. 执行与返回：你的代码执行函数，把结果返回给AI，AI用自然语言回答用户

# 简单的Function Calling流程示意
用户: "帮我查一下上海明天的天气"
  ↓
AI判断: 需要调用 get_weather 函数
  ↓
AI输出: {"function": "get_weather", "args": {"city": "上海", "date": "明天"}}
  ↓
你的代码: 调用天气API，获取结果
  ↓
结果返回AI: {"temp": 25, "condition": "多云", "humidity": 65}
  ↓
AI回答: "上海明天多云，气温25度，湿度65%"

环境准备

安装依赖

pip install openai requests

DeepSeek API使用OpenAI兼容格式，所以直接安装OpenAI的Python库就行。

获取API Key

1. 访问 platform.deepseek.com
2. 注册账号并完成实名认证
3. 在”API Keys”页面创建新的密钥
4. 复制密钥并设置为环境变量

import os
os.environ["DEEPSEEK_API_KEY"] = "sk-your-api-key-here"

初始化客户端

from openai import OpenAI

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

就这么简单。DeepSeek的API完全兼容OpenAI的SDK，所以之前学过OpenAI开发的同学可以无缝切换。

基础实战：天气查询助手

第一步：定义工具

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询指定城市的天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，如北京、上海"
                    },
                    "date": {
                        "type": "string",
                        "description": "日期，如今天、明天、后天"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

第二步：发送请求

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是一个天气助手，可以帮用户查询天气。"},
        {"role": "user", "content": "上海明天天气怎么样？"}
    ],
    tools=tools,
    tool_choice="auto"
)

第三步：解析AI的调用决策

import json

message = response.choices[0].message

if message.tool_calls:
    # AI决定调用函数
    tool_call = message.tool_calls[0]
    function_name = tool_call.function.name
    function_args = json.loads(tool_call.function.arguments)
    
    print(f"AI要调用: {function_name}")
    print(f"参数: {function_args}")
    # 输出: AI要调用: get_weather
    # 输出: 参数: {'city': '上海', 'date': '明天'}

第四步：执行函数并返回结果

def get_weather(city, date="今天"):
    # 这里调用真实的天气API
    # 示例用模拟数据
    weather_data = {
        "上海": {"temp": 25, "condition": "多云", "humidity": 65},
        "北京": {"temp": 28, "condition": "晴", "humidity": 45}
    }
    return json.dumps(weather_data.get(city, {"temp": 20, "condition": "未知"}))

# 执行函数
result = get_weather(**function_args)

# 将结果返回给AI
response2 = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是一个天气助手。"},
        {"role": "user", "content": "上海明天天气怎么样？"},
        message,  # AI的工具调用决策
        {
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": result
        }
    ],
    tools=tools
)

print(response2.choices[0].message.content)
# 输出: "上海明天多云，气温25度，湿度65%。建议穿薄外套出门。"

进阶实战：多工具智能助手

定义多个工具

在实际项目中，一个Agent通常需要多个工具。下面是一个拥有4个工具的智能助手：

tools = [
    {
        "type": "function",
        "function": {
            "name": "search_products",
            "description": "搜索电商平台上的商品",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string", "description": "搜索关键词"},
                    "category": {"type": "string", "description": "商品分类"}
                },
                "required": ["query"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "get_stock_price",
            "description": "查询股票实时价格",
            "parameters": {
                "type": "object",
                "properties": {
                    "symbol": {"type": "string", "description": "股票代码"}
                },
                "required": ["symbol"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "send_email",
            "description": "发送邮件给指定收件人",
            "parameters": {
                "type": "object",
                "properties": {
                    "to": {"type": "string", "description": "收件人邮箱"},
                    "subject": {"type": "string", "description": "邮件主题"},
                    "body": {"type": "string", "description": "邮件正文"}
                },
                "required": ["to", "subject", "body"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "执行数学计算",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {"type": "string", "description": "数学表达式"}
                },
                "required": ["expression"]
            }
        }
    }
]

工具调度器

# 工具函数映射表
tool_functions = {
    "search_products": lambda **kw: json.dumps({"results": [{"name": "iPhone 16", "price": 6999}]}),
    "get_stock_price": lambda **kw: json.dumps({"symbol": kw["symbol"], "price": 150.23}),
    "send_email": lambda **kw: json.dumps({"status": "sent", "message_id": "msg_123"}),
    "calculate": lambda **kw: json.dumps({"result": eval(kw["expression"])}),
}

def process_user_request(user_message):
    """处理用户请求的完整流程"""
    # 第一次调用：让AI决定使用哪个工具
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[
            {"role": "system", "content": "你是一个全能助手，可以搜索商品、查股票、发邮件和做计算。"},
            {"role": "user", "content": user_message}
        ],
        tools=tools,
        tool_choice="auto"
    )
    
    message = response.choices[0].message
    
    if not message.tool_calls:
        return message.content  # AI直接回答，不需要工具
    
    # 执行所有工具调用
    messages = [
        {"role": "system", "content": "你是一个全能助手。"},
        {"role": "user", "content": user_message},
        message
    ]
    
    for tool_call in message.tool_calls:
        func_name = tool_call.function.name
        func_args = json.loads(tool_call.function.arguments)
        
        # 执行对应函数
        result = tool_functions[func_name](**func_args)
        
        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": result
        })
    
    # 第二次调用：让AI根据工具结果生成回答
    final_response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages,
        tools=tools
    )
    
    return final_response.choices[0].message.content

错误处理与健壮性

常见的错误类型

在使用Function Calling时，你会遇到以下常见问题：

健壮性代码示例

import time

def safe_execute_tool(tool_call):
    """安全执行工具调用，包含错误处理"""
    func_name = tool_call.function.name
    
    # 检查函数是否存在
    if func_name not in tool_functions:
        return json.dumps({"error": f"未知工具: {func_name}"})
    
    try:
        func_args = json.loads(tool_call.function.arguments)
    except json.JSONDecodeError:
        return json.dumps({"error": "参数解析失败"})
    
    # 带重试的执行
    for attempt in range(3):
        try:
            result = tool_functions[func_name](**func_args)
            return result
        except Exception as e:
            if attempt == 2:
                return json.dumps({"error": f"执行失败: {str(e)}"})
            time.sleep(1 * (attempt + 1))  # 指数退避

工具描述优化技巧

工具描述的质量直接影响AI的选择准确率。以下是我总结的优化原则：

1. 函数名要语义清晰：get_weather 比 func_001 好得多
2. description要具体：写明”什么情况下应该使用这个工具”
3. 参数描述要精确：说明参数的格式、范围、默认值
4. 避免工具功能重叠：如果两个工具做的事类似，AI会经常选错

高级技巧：链式调用与多轮对话

链式工具调用

有些任务需要连续调用多个工具。比如”帮我查一下苹果公司的股票，然后把结果发邮件给boss@example.com”：

def handle_chain_calls(user_message):
    """处理需要多步工具调用的复杂任务"""
    messages = [
        {"role": "system", "content": "你是智能助手。对于复杂任务，可以分步调用多个工具。"},
        {"role": "user", "content": user_message}
    ]
    
    # 最多允许5轮工具调用
    for round_num in range(5):
        response = client.chat.completions.create(
            model="deepseek-chat",
            messages=messages,
            tools=tools,
            tool_choice="auto"
        )
        
        message = response.choices[0].message
        messages.append(message)
        
        if not message.tool_calls:
            return message.content  # 任务完成
        
        for tool_call in message.tool_calls:
            result = safe_execute_tool(tool_call)
            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": result
            })
    
    return "任务处理超时，请简化请求后重试。"

多轮对话中的工具状态管理

在多轮对话中，工具调用可能需要上下文状态。比如用户先说”查北京天气”，然后说”那上海呢”——AI需要知道”那”指的是天气查询。

DeepSeek对这种上下文推理处理得很好，只要你把完整的历史消息都传给API，它就能理解上下文关系。

实战项目：AI客服机器人

项目需求

为一个电商店铺搭建一个AI客服机器人，能够：

• 查询订单状态
• 处理退换货请求
• 回答产品问题
• 转接人工客服

工具定义

customer_service_tools = [
    {
        "type": "function",
        "function": {
            "name": "query_order",
            "description": "根据订单号查询订单状态和物流信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {"type": "string", "description": "订单编号"}
                },
                "required": ["order_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "request_refund",
            "description": "发起退换货申请",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {"type": "string", "description": "订单编号"},
                    "reason": {"type": "string", "description": "退换原因"},
                    "type": {"type": "string", "enum": ["退货", "换货"], "description": "申请类型"}
                },
                "required": ["order_id", "reason", "type"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "search_faq",
            "description": "搜索常见问题知识库",
            "parameters": {
                "type": "object",
                "properties": {
                    "question": {"type": "string", "description": "用户的问题"}
                },
                "required": ["question"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "transfer_to_human",
            "description": "转接人工客服",
            "parameters": {
                "type": "object",
                "properties": {
                    "reason": {"type": "string", "description": "转接原因"}
                },
                "required": ["reason"]
            }
        }
    }
]

这个项目我实际部署在了一个朋友的淘宝店铺中。上线两周后，客服响应时间从平均5分钟降到了30秒，人工客服的工作量减少了60%。最重要的是，AI客服24小时在线，不再漏接深夜的客户咨询。

想构建更复杂的AI Agent系统，可以参考AI Agent开发指南。

成本优化策略

Token消耗控制

Function Calling的Token消耗主要来自两部分：工具定义（每次请求都要传）和工具调用结果。优化策略：

1. 精简工具描述：不要写长篇大论，用最少的文字说清楚功能
2. 按需加载工具：根据对话上下文只加载相关的3-5个工具
3. 压缩返回结果：工具执行结果只返回关键信息，去掉冗余字段
4. 缓存常用结果：对重复查询的结果做缓存，避免重复调用

DeepSeek vs 其他模型成本对比

DeepSeek在性价比上遥遥领先。对于大多数应用场景，92%的函数调用准确率已经完全够用了。如果你需要更高的准确率，可以在关键业务环节加入人工审核。

想了解其他API的开发方式，可以看看通义千问API指南和智谱GLM API实战。

总结

DeepSeek的Function Calling是目前国内开发者构建AI Agent最具性价比的选择。它API兼容OpenAI格式、价格低廉、中文理解优秀，非常适合个人开发者和小团队使用。

从这篇文章的基础天气查询到多工具智能助手，再到AI客服机器人，你已经掌握了Function Calling的核心技术。下一步，建议你自己动手做一个实际项目——比如一个能帮你自动管理待办事项、查询日程、发送邮件的个人AI助手。实践出真知，只有真正写过代码，才能深刻理解这项技术的能力边界。

真实项目经验分享

项目一：自动化报表生成器

我用DeepSeek Function Calling做的第一个商业化项目是一个自动化报表生成器。客户是一家连锁餐饮企业，有50多家门店，每天需要汇总各门店的销售数据、库存数据和客户反馈。

以前这个工作由3个财务人员手动操作，每天花4个小时。我给他们做了一个AI助手，定义了5个工具函数：查询门店销售数据、查询库存水平、查询客户评价、生成日报表、发送邮件给管理层。现在整个流程全自动，每天凌晨自动执行，管理层早上8点就能收到前一天的完整报表。

这个项目收费3万元，开发时间两周。扣除API调用成本（每月不到100元），利润率非常高。这也是Function Calling的商业价值所在——它可以替代大量重复性的人工操作。

项目二：智能客服系统

另一个让我印象深刻的项目是一个跨境电商的智能客服系统。这个客户在亚马逊和eBay上卖产品，每天收到300多封客户邮件，涉及订单查询、退换货、产品咨询等多种类型。

我设计的系统架构是这样的：DeepSeek负责理解客户邮件的意图，然后根据意图调用不同的工具——如果是订单查询就调用物流API，如果是退换货就调用后台管理系统，如果是产品问题就搜索知识库。整个系统上线后，80%的邮件可以自动回复，人工客服只需要处理剩下的20%复杂问题。

这个项目最有挑战性的部分是处理多语言邮件。DeepSeek的中文能力很强，但英文和日文邮件的理解偶尔会有偏差。我的解决方案是先用DeepSeek翻译邮件为中文，然后再做意图识别和工具调用。

项目三：个人知识管理助手

这是我为自己做的一个小工具。作为一个内容创作者，我每天要收集大量的文章、论文、视频和播客。以前这些信息散落在浏览器书签、Notion笔记和微信收藏里，找起来非常麻烦。

我用Function Calling做了一个知识管理助手，它可以：搜索我的Notion数据库、从网页提取文章内容、对文档进行分类和标签、生成每日阅读清单、推荐相关的新内容。我只需要用自然语言说”帮我找一下上个月收藏的关于AI Agent的文章”，它就能自动搜索并返回结果。

性能优化与生产环境部署

响应速度优化

在生产环境中，用户对响应速度的要求很高。以下是我总结的优化方法：

1. 流式输出：使用streaming模式，让AI的回答逐字显示，而不是等全部生成完再返回。这样用户的感知延迟从3-5秒降低到0.5秒。
2. 工具并行执行：如果一次请求需要调用多个独立的工具，可以用asyncio并行执行，而不是串行等待。
3. 结果缓存：对于不经常变化的数据（如产品信息、FAQ内容），设置缓存层，避免每次都调用外部API。
4. 预热机制：在系统启动时预先加载常用工具的初始化代码，避免首次调用时的冷启动延迟。

安全性考虑

将Function Calling部署到生产环境时，安全性是第一位的：

• 参数校验：永远不要信任AI生成的参数，必须在执行前做严格校验
• 权限控制：不同用户只能调用他们有权限的工具
• 速率限制：设置API调用频率上限，防止恶意刷量
• 审计日志：记录每一次工具调用的详细信息，便于事后追查
• 沙箱执行：代码执行类工具必须在沙箱环境中运行，不能访问生产系统

监控与告警

我的生产环境监控指标包括：

这些监控帮我发现了很多隐藏的问题。比如有一次工具调用失败率突然飙升到15%，排查后发现是第三方天气API的密钥过期了。如果没有监控，可能要等用户投诉才会发现。

与其他AI平台的Function Calling对比

在实际项目中，我对比测试了多个平台的Function Calling能力：

DeepSeek的优势在于性价比高、中文好、速度快。但在以下场景中可能不是最佳选择：需要极强逻辑推理的复杂任务（建议用GPT-4o或Claude）、需要超长上下文窗口的任务（建议用Claude 3.5的200K窗口）、需要图像理解的多模态任务（建议用GPT-4o的视觉能力）。

我的建议是：日常开发和中小项目用DeepSeek，关键业务和高复杂度任务用GPT-4o或Claude。可以在代码中设计一个智能路由层，根据任务复杂度自动选择最合适的模型，兼顾成本和效果。

学习资源与社区推荐

如果你想深入学习Function Calling开发，以下是我推荐的学习路径和资源：

1. 官方文档：DeepSeek开发者平台的文档非常详细，特别是Function Calling章节，有大量代码示例
2. 开源项目：GitHub上搜索”deepseek function calling”可以找到很多优秀的开源实现
3. 开发者社区：DeepSeek的官方Discord频道非常活跃，遇到问题可以快速得到解答
4. 实战课程：B站上有几个不错的DeepSeek开发教程，适合跟着视频一步步学习

我最推荐的入门方式是：先跟着官方文档跑通一个最简单的例子（比如天气查询），然后逐步增加工具数量和复杂度。不要试图一开始就做一个复杂的系统，循序渐进才能学得扎实。另外，多看看别人的开源代码，学习他们是如何设计工具描述、处理异常情况、优化性能的。

相关文章推荐

• MCP协议入门教程：从零搭建你的第一个AI Agent
• AI Agent 智能体搭建完整教程：从零到部署
• Bolt AI开发教程:浏览器里全栈开发

相关文章推荐

• MCP协议入门教程：从零搭建你的第一个AI Agent
• AI Agent 智能体搭建完整教程：从零到部署
• Bolt AI开发教程:浏览器里全栈开发

相关文章推荐

• MCP协议入门教程：从零搭建你的第一个AI Agent
• AI Agent 智能体搭建完整教程：从零到部署
• Bolt AI开发教程:浏览器里全栈开发

深度扩展阅读

本文涵盖的内容是AI领域持续发展的方向之一。如果想进一步了解相关知识,可以参考以下推荐阅读:

• AI工具集导航：2026年100+神器一站直达
• 2026年十大免费AI工具推荐：排名前十的实用AI神器