🚀 使用 DeepSeek 实现大模型工具调用：从零开始构建智能问答系统🌐 一、什么是 DeepSeek？ Dee

本文适合初学者快速掌握如何通过 OpenAI SDK 调用 DeepSeek 大模型，并实现“让 AI 调用函数”这一高级功能。我们将结合 Jupyter Notebook 示例，深入浅出地讲解代码逻辑、语法结构和实际应用场景。

🌐 一、什么是 DeepSeek？

DeepSeek 是由深度求索（DeepSeek）公司推出的高性能大语言模型（LLM），支持推理、对话、代码生成等任务。它具备强大的自然语言理解与生成能力，尤其在复杂逻辑推理方面表现突出。

你可以在 api.deepseek.com 上使用其 API 接口，也可以通过开源平台如 魔搭（ModelScope） 获取相关模型进行本地部署或微调。

✅ 魔搭（ModelScope）是阿里云推出的模型开放平台，提供海量开源 AI 模型，涵盖 NLP、视觉、语音等领域，极大降低了 AI 应用门槛。

📝 二、为什么选择 Jupyter Notebook？

Jupyter Notebook（.ipynb 文件）是一种交互式编程环境，特别适合：

快速试验算法
推导公式
测试大模型行为
分步运行代码，观察每一步输出

Python 因其简洁的语法和丰富的科学计算库，成为机器学习和 AI 开发的首选语言。

🔧 三、模块化设计：清晰分离职责

现代软件开发强调 模块化，即“一个文件干一件事”。这不仅能提高代码可读性，还能增强维护性和扩展性。

from openai import OpenAI

💡 解释：

openai 是 OpenAI 官方提供的 Python SDK。
OpenAI() 类用于创建客户端对象，用来调用大模型 API。
尽管我们调用的是 DeepSeek 的服务，但它是兼容 OpenAI 接口标准的，因此可以无缝使用。

🤖 四、多轮对话机制：`chat.completions`

大模型的核心交互方式之一是 chat.completions，它支持多轮对话，保留上下文信息。

关键参数说明：

Role	含义
`system`	设置角色身份和行为规范，通常只在第一次设置一次
`user`	用户输入的问题
`assistant`	模型返回的回答

messages = [
    {"role": "system", "content": "你是一个股票分析师"},
    {"role": "user", "content": "青岛啤酒的收盘价是多少？"}
]

🔄 五、教大模型“使用工具”：Tool Calling

这是本次教程的重点！

大模型本身无法实时获取网络数据（比如股价），但我们可以通过 工具调用（Tool Calling） 让它“学会”调用外部函数来完成任务。

目标场景：

用户问：“青岛啤酒的收盘价是多少？”
→ 模型判断需要查价 → 自动调用 get_closing_price() 函数 → 返回结果

✅ 六、完整示例代码解析

以下是完整的 Jupyter Notebook 示例，我们将逐步拆解每一行代码。

第一步：初始化客户端

from openai import OpenAI

client = OpenAI(
    api_key="sk-efb070ea2db643ab9ccd41fa04ad0a0a",
    base_url="https://api.deepseek.com/v1"
)

🔍 解析：

api_key: 你的 DeepSeek API 密钥（需注册获取）
base_url: 指定请求发送到 DeepSeek 的 API 地址
OpenAI() 是一个类，实例化后即可调用其方法

第二步：定义工具函数

def get_closing_price(name):
    if name == '青岛啤酒':
        return '67.92'
    else:
        return '未找到该股票'

💡 说明：

这是一个模拟的“查询股价”的函数
实际应用中，这里可能是调用真实金融接口（如 Tushare、Alpha Vantage）

第三步：定义工具 JSON Schema

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"]
            }
        }
    }
]

🧩 解析：

这个结构是 OpenAI 标准的 Tool Schema，告诉大模型：

有一个叫 get_closing_price 的函数可用
它的作用是“获取股票收盘价”
输入参数是一个字符串 name（必须填写）
输出是字符串（例如 '67.92'）

⚠️ 注意：tool_choice='auto' 表示模型自己决定是否调用工具

第四步：封装消息发送函数

def send_message(messages):
    response = client.chat.completions.create(
        model='deepseek-reasoner',
        messages=messages,
        tools=tools,
        tool_choice='auto'
    )
    return response

🔎 详解：

model='deepseek-reasoner': 使用 DeepSeek 的推理模型（专为复杂逻辑设计）
messages: 对话历史
tools: 提供的工具列表
tool_choice='auto': 允许模型自主选择是否调用工具

第五步：发起请求并打印结果

messages = [{"role": "user", "content": "青岛啤酒的收盘价是多少？"}]

response = send_message(messages)
message = response.choices[0].message
print(message)

📤 输出示例：

{
  "role": "assistant",
  "tool_calls": [
    {
      "id": "call_abc123",
      "function": {
        "name": "get_closing_price",
        "arguments": "{"name": "青岛啤酒"}"
      }
    }
  ]
}

✅ 模型识别出需要调用工具，自动执行 get_closing_price("青岛啤酒")

🧠 七、关键知识点总结

概念	说明
Tool Calling	让 LLM 主动调用函数，弥补知识滞后问题
JSON Schema	描述函数签名的标准格式，包括参数类型、描述等
Auto Tool Choice	模型自行判断是否需要调用工具
Reasoner 模型	更擅长逻辑推理，适合复杂任务
Magic Studio / ModelScope	可下载、微调、部署开源模型

🚀 八、进阶方向建议

连接真实 API
替换 get_closing_price() 为调用真实的股票接口（如 requests.get()）
多个工具组合
添加 get_company_info(), calculate_roi() 等函数，实现更复杂的分析流程
流式响应处理
使用 stream=True 实现实时输出，提升用户体验
本地部署模型
在魔搭上下载 deepseek-coder 或 deepseek-math 模型，本地运行避免网络延迟

📚 九、学习资源推荐

✅ 总结

今天我们学会了：

✅ 如何用 Python + OpenAI SDK 调用 DeepSeek
✅ 如何定义并注册工具函数
✅ 如何让大模型“主动调用函数”解决现实问题
✅ 使用 Jupyter Notebook 快速实验 AI 功能

🎯 核心思想：不要试图让模型记住一切，而是教会它“怎么做事”——这就是 Agent（智能体）时代的开端！

📌 动手练习：尝试修改 get_closing_price() 支持更多股票，或者添加一个 search_news() 工具来查询新闻摘要。

如果你喜欢这篇文章，欢迎点赞收藏，关注我获取更多高质量 AI 教程！🚀

🚀 使用 DeepSeek 实现大模型工具调用：从零开始构建智能问答系统