如何让大模型突破知识限制，准确执行复杂任务？FunctionCall和ReAct模式正在改变我们与大模型的交互方式。
一、大模型的局限性：幻觉问题
大语言模型(LLM)在自然语言处理方面表现出色，但存在一个致命弱点：幻觉问题。当模型遇到知识边界时，它会生成看似合理实则错误的答案：
# 示例：大模型可能编造虚假答案
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "user", "content": "请告诉我XX公司2025年的股票预测价格"}
]
)
print(response.choices[0].message.content)
# 输出：根据市场分析，XX公司2025年股价预计达到$150...
这种“一本正经胡说八道”的现象就是幻觉问题。为了解决这个问题，我们引入了FunctionCall和ReAct模式。
二、FunctionCall：给大模型装上“工具手”
FunctionCall的核心思想是：让大模型理解它能使用哪些外部工具，而不是强迫它记住所有知识。
工具定义：创建函数说明书
# 定义可用的工具函数
tools = [
{
"type": "function",
"function": {
"name": "get_closing_price",
"description": "获取指定股票的收盘价",
"parameters": {
"type": "object",
"properties": {
"name": {"type": "string", "description": "股票名称"}
},
"required": ["name"]
}
}
}
]
工具实现：连接真实数据源
# 实际获取股票价格的函数
def get_closing_price(name):
if name == '青岛啤酒': return '67.92'
elif name == '贵州茅台': return '1488.21'
else: return '未找到该股票'
模型调用：大模型自主选择工具
# 发送请求时带上工具说明
response = client.chat.completions.create(
model='deepseek-reasoner',
messages=messages,
tools=tools, # 关键：告诉模型可用的工具
tool_choice='auto' # 让模型自主决定是否使用工具
)
三、ReAct模式：思考-行动-观察的智能循环
ReAct（Reason + Action）是一种让大模型分步思考、执行、验证的智能体模式，解决了复杂任务的执行问题。
ReAct工作流程
- 思考(Reason)：分析是否需要工具
- 行动(Act)：调用合适的函数
- 观察(Observe)：获取函数结果
- 重复直到得出最终答案
ReAct提示词设计
# 使用三引号"""创建多行字符串，可以保留字符串中的换行和格式
REACT_PROMPT = """
{instructions}
TOOLS:
------
您可以使用以下工具：
{tools}
使用工具时，请使用以下格式：
```
思考: 我需要使用工具吗? 是
行动: 要采取的行动，必须是[{tool_names}]其中之一
行动输入: 该行动的输入内容
```
然后等待人类使用 Observation 回复您操作的结果。
... (这个思考/行动/行动输入/观察可以重复 N 次)
当您有回应要对人类说，或者不需要使用工具时，您必须使用以下格式：
```
思考: 我需要使用工具吗? 否
最终答案: [在此输入您的回应]
```
开始！
新输入: {input}
"""
完整ReAct实现
# ReAct智能体核心逻辑
while True:
# 1. 模型生成响应
response = send_messages(messages)
response_text = response.choices[0].message.content
# 2. 检查是否获得最终答案
if "最终答案:" in response_text:
final_answer = re.search(r'最终答案:\s*(.*)', response_text).group(1)
print("最终答案:", final_answer)
break
# 3. 解析工具调用
tool_name = re.search(r'行动:\s*(\w+)', response_text).group(1)
params = json.loads(re.search(r'行动输入:\s*({.*?})', response_text).group(1))
# 4. 执行工具调用
if tool_name == "get_closing_price":
result = get_closing_price(params["name"])
messages.append({'role': 'user', 'content': f"Observation:{result}"})
四、实战案例：股票价格比较助手
结合FunctionCall和ReAct，我们创建一个能准确回答股票问题的智能体：
# 用户查询：比较两个股票的价格
query = "青岛啤酒和贵州茅台的收盘价哪个贵？"
# 构建初始消息
prompt = REACT_PROMPT.format(
instructions="你是一个股票助手",
tools=json.dumps(tools),
tool_names="get_closing_price",
input=query
)
messages = [{"role": "user", "content": prompt}]
# 执行ReAct循环
while True:
# 模型响应示例：
# ```
# 思考: 我需要使用工具吗? 是
# 行动: get_closing_price
# 行动输入: {"name": "青岛啤酒"}
# ```
response = send_messages(messages)
# ...（处理响应，调用工具）
# 最终输出：
# 思考: 我需要使用工具吗? 否
# 最终答案: 贵州茅台的收盘价（1488.21元）比青岛啤酒（67.92元）贵
五、总结
FunctionCall和ReAct模式代表了LLM开发的新阶段：
- 从全能到利用工具：模型不再需要知道所有答案，而是学会调用专业工具
- 从单次到循环思考：通过多次
Reason-Act循环解决复杂问题 - 从封闭到开放生态：任何
API都可以成为模型的"感官"和"手脚"
随着工具生态的完善，大模型正在从“知道一切”的百科全书，进化为“会使用工具”的智能体！
