上圖展示了 DeepSeek 與外部 API 服務整合的典型流程，從用戶請求到工具調用、結果回傳的數據流向。透過將大型語言模型 (LLM) 與外部工具及 API 結合，我們能大幅擴展其能力，使其不僅限於文本生成，更能執行實際操作，例如查詢資料庫、發送電郵、或控制智能家居裝置。DeepSeek 提供的 Function Calling 功能，正是實現此目標的關鍵技術。本文將深入探討 DeepSeek Function Calling 的核心概念、工具調用的實踐方法，以及如何利用 JSON 模式確保輸出結構化，助您建構更具互動性和自動化的應用。
DeepSeek Function Calling 是一種強大的機制，允許開發者定義一系列外部工具（或稱函數），並將其描述提供給 DeepSeek 模型。當模型收到用戶查詢，判斷需要利用外部工具才能給出最佳回應時，它會自動生成調用這些工具所需的參數。開發者隨後接收到模型生成的工具調用請求，執行相應的工具函數，最後將工具的執行結果回傳給模型，讓模型生成最終的自然語言回應。
這項功能的核心優勢包括：
要使用 DeepSeek 的 API 服務，您需要準備 DeepSeek API Key 並設定您的開發環境。
取得 API Key：
安裝 DeepSeek Python SDK：
pip 命令安裝 DeepSeek 官方的 Python SDK：pip install deepseek
初始化 DeepSeek 客戶端：
Deepseek 客戶端。建議將 API Key 儲存在環境變數中，以提高安全性。import os
from deepseek import Deepseek
# 建議從環境變數中讀取 API Key
# export DEEPSEEK_API_KEY='YOUR_API_KEY_HERE'
client = Deepseek(api_key=os.environ.get("DEEPSEEK_API_KEY"))
if not client.api_key:
print("錯誤：請設定 DEEPSEEK_API_KEY 環境變數。")
exit()
工具調用是 Function Calling 的核心。它涉及定義工具、讓模型決定是否調用，以及執行工具並將結果回傳給模型。
在向 DeepSeek 模型發送請求時，您需要透過 tools 參數提供您希望模型能夠調用的工具清單。每個工具都應該包含其名稱、描述及參數模式 (schema)。
範例：定義一個天氣查詢工具
假設我們要建立一個能夠查詢城市天氣的工具。我們需要告訴模型這個工具叫做 get_current_weather，它接受 location（城市名稱）和 unit（溫度單位，可選）作為參數。
tools = [
{
"type": "function",
"function": {
"name": "get_current_weather",
"description": "獲取指定地點的當前天氣資訊。使用此工具查詢實時天氣數據。",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市名稱，例如：香港、倫敦、紐約。",
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"description": "溫度單位，攝氏度或華氏度，預設為攝氏度。",
},
},
"required": ["location"],
},
},
}
]
以下是實現完整工具調用流程的步驟：
步驟 1：向模型發送帶有工具定義的請求
當用戶提出「香港現在天氣如何？」這類問題時，我們會將用戶訊息連同定義好的工具一併發送給 DeepSeek 模型。
messages = [
{"role": "user", "content": "香港現在天氣如何？"},
]
response = client.chat.completions.create(
model="deepseek-chat", # 或 deepseek-coder 等支持 function calling 的模型
messages=messages,
tools=tools,
tool_choice="auto", # 允許模型自動決定是否調用工具
)
步驟 2：處理模型的工具調用請求
模型收到請求後，會分析用戶意圖。如果它判斷需要 get_current_weather 工具，其回應會包含 tool_calls 字段。
response_message = response.choices[0].message
if response_message.tool_calls:
tool_call = response_message.tool_calls[0]
function_name = tool_call.function.name
function_args = tool_call.function.arguments
print(f"模型建議調用工具：{function_name}，參數：{function_args}")
# 將模型的訊息加入對話歷史
messages.append(response_message)
步驟 3：在應用程式中執行工具函數
您的應用程式需要根據模型建議的 function_name 和 function_args 來執行實際的工具函數。
# 模擬實際的天氣查詢函數
def get_current_weather(location: str, unit: str = "celsius") -> dict:
# 這裡會是真實的 API 調用，例如：
# import requests
# api_key = "YOUR_WEATHER_API_KEY"
# url = f"https://api.weatherapi.com/v1/current.json?key={api_key}&q={location}"
# response = requests.get(url).json()
# temperature = response['current']['temp_c'] if unit == 'celsius' else response['current']['temp_f']
# return {"location": location, "temperature": temperature, "unit": unit, "description": "晴朗"}
# 為了演示，我們返回硬編碼數據
if location == "香港":
return {"location": "香港", "temperature": 28, "unit": unit, "description": "部分多雲"}
elif location == "倫敦":
return {"location": "倫敦", "temperature": 15, "unit": unit, "description": "多雲"}
else:
return {"location": location, "temperature": "未知", "unit": unit, "description": "資料不足"}
# 解析參數並調用函數
available_functions = {
"get_current_weather": get_current_weather,
}
if function_name in available_functions:
# 注意：function_args 是 JSON 字符串，需要解析
import json
parsed_args = json.loads(function_args)
function_response = available_functions[function_name](**parsed_args)
print(f"工具函數執行結果：{function_response}")
步驟 4：將工具執行結果回傳給模型
將工具函數的執行結果，作為一個新的 tool 角色訊息，連同之前的對話歷史，再次發送給模型。
messages.append(
{
"tool_call_id": tool_call.id,
"role": "tool",
"name": function_name,
"content": json.dumps(function_response),
}
)
final_response = client.chat.completions.create(
model="deepseek-chat",
messages=messages,
)
print(f"最終回應：{final_response.choices[0].message.content}")
else:
print(f"錯誤：未知的工具名稱 {function_name}")
除了工具調用，DeepSeek 還提供了 JSON 模式，確保模型回應的格式為有效的 JSON 對象。這對於需要從模型獲取結構化數據（例如資料庫查詢參數、數據分析結果或特定格式的內容）的應用程式非常有用。
透過在 API 請求中設定 response_format={"type": "json_object"}，您可以強制 DeepSeek 模型生成符合 JSON 規範的回應。模型將盡力將其生成的所有內容（包括訊息文本）格式化為一個 JSON 物件。
範例：從一段文本中提取產品資訊
假設您需要從用戶的評論中提取產品名稱和評價星級。
messages_json = [
{"role": "user", "content": "提取這段評論中的產品名稱和星級：這款 DeepSeek AI 模型真的太棒了，性能卓越，我給它打五顆星！"}
]
response_json = client.chat.completions.create(
model="deepseek-chat",
messages=messages_json,
response_format={"type": "json_object"}
)
# 獲取模型的回應內容
json_output_content = response_json.choices[0].message.content
print(f"原始 JSON 輸出字符串：\n{json_output_content}")
# 解析 JSON 字符串
import json
try:
parsed_data = json.loads(json_output_content)
print("\n解析後的 JSON 數據：")
print(json.dumps(parsed_data, indent=2, ensure_ascii=False))
except json.JSONDecodeError as e:
print(f"\nJSON 解析錯誤：{e}")
模型可能會生成類似以下的 JSON 輸出：
{
"product_name": "DeepSeek AI 模型",
"rating": 5,
"comment": "性能卓越，太棒了"
}
即使在 JSON 模式下，清晰的提示詞 (prompt) 依然重要。您可以透過在 user 訊息中明確指示所需的 JSON 結構，進一步引導模型生成更精確的輸出。
messages_guided_json = [
{"role": "user", "content": """
請根據以下文章，提取產品的「名稱」、「價格」及「主要特點」。
文章：
隆重推出 DeepSeek Pro 智能助理，原價港幣 1,299 元，現特價僅售港幣 999 元！它具備超長續航力、語音識別及智能排程功能，是您日常工作的好幫手。
請將結果以 JSON 格式輸出，鍵名分別為 `product_name`, `price_hkd`, `features` (列表)。
"""}
]
response_guided_json = client.chat.completions.create(
model="deepseek-chat",
messages=messages_guided_json,
response_format={"type": "json_object"}
)
print(json.dumps(json.loads(response_guided_json.choices[0].message.content), indent=2, ensure_ascii=False))
預期輸出：
{
"product_name": "DeepSeek Pro 智能助理",
"price_hkd": 999,
"features": [
"超長續航力",
"語音識別",
"智能排程功能"
]
}
DeepSeek 的 Function Calling 和 JSON 模式為開發者開啟了建構更智能、更具互動性的 AI 應用的大門。透過掌握工具調用，您可以將 DeepSeek 模型與無限的外部服務連接起來，使其能夠執行複雜的任務和工作流程。而 JSON 模式則確保了數據輸出的結構化和可預測性，極大地簡化了後續的數據處理和整合。
希望這篇入門教程能幫助您理解並開始在您的項目中應用 DeepSeek 的這些強大功能。隨著您對這些功能的深入探索，您將能夠創造出更多富有創意和實用價值的應用程式。