在当前的大模型（LLM）应用开发中，一个普遍存在的问题是：大模型本身不具备获取实时信息的能力。无论是天气、股价、新闻还是航班状态，这些动态数据都无法直接被训练完成后的模型所掌握。然而，通过 OpenAI 定义的 Tools（工具）机制，我们可以让大模型“学会”调用外部接口，从而真正实现“智能互联网”的愿景。
本文将基于我在实际开发中的学习和实践，介绍如何使用 Python + DeepSeek API + 自定义函数，构建一个支持工具调用的聊天系统，并以“查询天气”为例，展示整个流程。
一、为什么需要工具调用？
大模型如 GPT、DeepSeek 等，都是在大量历史文本上训练而成的。它们擅长理解语言、推理逻辑、生成内容，但无法访问互联网或数据库。这意味着：
- 用户问：“北京今天天气怎么样？” → 模型无法回答，除非你告诉它。
- 用户问：“特斯拉最新股价是多少？” → 模型只能给出训练截止前的数据（甚至可能错误）。
为了解决这个问题，OpenAI 在其 API 中引入了 Function Calling（现称为 Tools） 功能。核心思想是：
当模型判断需要外部信息时，它会返回一个“调用指令”，而不是直接回答。开发者根据该指令执行本地函数（如发起 HTTP 请求），再将结果反馈给模型，由模型组织最终回答。
这相当于给 LLM 装上了“手脚”，让它能主动“上网查资料”。
二、准备工作：安装依赖与定义工具函数
首先，我们需要安装必要的 Python 包。虽然你在 Node.js 中可能用 npm install，但在 Python 中我们使用 pip：
!pip install requests
!pip install openai
接着，定义一个用于查询天气的函数。这里我使用了 心知天气 的免费 API：
import requests
def get_weather(location: str) -> str:
url = "https://api.seniverse.com/v3/weather/now.json"
params = {
"key": "my_api_key", # 替换为你自己的 API Key
"location": location,
"language": "zh-Hans"
}
try:
resp = requests.get(url, params=params, timeout=10)
data = resp.json()
if "results" in data:
r = data["results"][0]
city = r["location"]["name"]
now = r["now"]
text = now["text"]
temp = now["temperature"]
return f"{city}当前的天气：{text}，气温：{temp}℃"
else:
return "查询失败"
except Exception as e:
return f"异常：{e}"
这个函数接收城市名，返回格式化的天气字符串。注意：Python 支持类型注解（如 -> str），虽非强制，但有助于代码可读性和 IDE 提示。
三、向大模型“注册”工具
接下来，我们要告诉大模型：“你可以调用一个叫 get_weather 的函数来查天气”。这通过 Tools 描述 实现：
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取指定城市的当前天气",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市名称，如'北京'"
}
},
"required": ["location"]
}
}
}
]
这段 JSON 告诉模型：
- 有一个可用函数
get_weather - 它需要一个必填参数
location（字符串） - 用途是查天气
只要模型理解了这个结构，它就能在合适的时候“请求调用”。
四、与模型交互：两阶段对话
完整的工具调用流程分为两个阶段：
第一阶段：模型决定是否调用工具
from openai import OpenAI
import json
client = OpenAI(
api_key="your_deepseek_api_key",
base_url="https://api.deepseek.com/v1"
)
messages = [{"role": "user", "content": "北京天气怎么样？"}]
response = client.chat.completions.create(
model="deepseek-reasoner",
messages=messages,
tools=tools,
tool_choice="auto",
temperature=0.3
)
response_message = response.choices[0].message
messages.append(response_message) # 将模型回复加入历史
此时，如果模型认为需要查天气，response_message.tool_calls 将不为空。
第二阶段：执行工具并返回结果
if response_message.tool_calls:
for tool_call in response_message.tool_calls:
function_name = tool_call.function.name
function_args = json.loads(tool_call.function.arguments)
if function_name == "get_weather":
function_response = get_weather(function_args["location"])
else:
function_response = "未知工具"
# 将工具执行结果作为“tool”角色消息加入对话
messages.append({
"tool_call_id": tool_call.id,
"role": "tool",
"name": function_name,
"content": function_response
})
第三阶段：模型生成最终回答
final_response = client.chat.completions.create(
model="deepseek-reasoner",
messages=messages,
temperature=0.3
)
print(final_response.choices[0].message.content)
最终输出可能是：
根据最新数据，北京当前的天气：多云，气温：18℃。
整个过程实现了 “用户提问 → 模型决策 → 调用工具 → 获取数据 → 生成自然语言回答” 的闭环。
五、为什么选择 DeepSeek？
DeepSeek 是国内优秀的开源大模型系列，其 Reasoner 版本 特别擅长逻辑推理和工具调用。更重要的是，它兼容 OpenAI API 协议，只需修改 base_url 即可无缝切换：
client = OpenAI(
api_key="你的 DeepSeek API Key",
base_url="https://api.deepseek.com/v1"
)
这种模块化设计极大提升了代码的可移植性。未来若想换用 Moonshot、通义千问等其他兼容模型，几乎无需改动业务逻辑。
六、总结与展望
通过工具调用，我们成功让大模型突破了“静态知识”的限制，具备了访问实时世界的能力。这不仅是技术上的进步，更是 LLM 应用落地的关键一步。
在实际项目中，你可以扩展更多工具：
- 查询股票价格
- 搜索维基百科
- 控制智能家居
- 调用企业内部 API
而这一切的核心，都建立在 清晰的工具描述 + 可靠的本地函数实现 + 正确的消息传递机制 之上。
正如我在笔记中所写：“让 LLM 和原有的互联网文明桥接起来”——这正是智能体（Agent）时代的开端。借助像 DeepSeek 这样的强大模型，配合简单的 Python 脚本，我们每个人都能构建属于自己的“智能互联网助手”。
提示：本文所有代码均可在 Jupyter Notebook（.ipynb）中逐行运行，非常适合实验和调试。推荐结合 ModelScope（魔搭）平台，快速体验各类开源模型。
通过这次实践，我深刻体会到：大模型不是终点，而是连接人类与数字世界的桥梁。而工具调用，正是这座桥的第一块基石。
