前言

在前两天的学习中，我们完成了：

• Python环境搭建

• 大模型API调用

• 第一个Chatbot程序

• Python函数基础

• 对Agent基本概念的理解

但是，一个普通的Chatbot和真正的AI Agent之间还有一个重要区别：

普通Chatbot：

用户输入
    ↓
大模型生成回答

AI Agent：

用户输入
    ↓
AI理解任务
    ↓
选择工具
    ↓
调用程序执行
    ↓
返回结果
    ↓
AI生成最终回答

今天的目标：

让大模型不只是聊天，而是能够主动调用Python函数完成任务。

这就是 Agent 的核心能力之一：

Function Calling（函数调用）

---

一、为什么需要Function Calling？

之前的程序通常是：

if "计算" in question:
    calculator()

例如：

用户：

帮我计算123+456

程序：

发现计算两个字
调用计算函数

这种方式存在问题：

如果用户说：

123加456是多少？

或者：

求一下两个数字的和

程序可能无法判断。

原因：

程序只能匹配固定规则，而AI可以理解自然语言。

所以我们希望：

让AI自己判断：

用户需要计算
        ↓
调用calculator工具

---

二、什么是Tool？

在Agent中：

Tool（工具）本质上就是：

一个可以被AI调用的Python函数。

例如：

def calculator(a, b):
    return a + b

这个函数就是一个工具。

它拥有：

• 工具名称：calculator

• 功能：计算两个数字

• 输入参数：a、b

• 输出结果：计算结果

未来Agent中的工具可能包括：

calculator()
search_web()
read_pdf()
ocr_image()
translate()

---

三、Function Calling工作流程

完整流程：

用户

↓

大模型理解需求

↓

决定调用工具

↓

返回工具名称和参数

↓

Python执行函数

↓

返回结果

↓

大模型生成最终回答

例如：

用户：

计算123和456

AI返回：

{
"name":"calculator",
"arguments":{
    "a":123,
    "b":456
}
}

Python收到后：

执行：

calculator(123,456)

得到：

579

再交给AI组织语言。

---

四、工具描述（Tool Schema）

问题：

AI怎么知道我们有哪些工具？

答案：

需要告诉AI工具的信息。

例如：

{
"name":"calculator",
"description":"计算两个数字相加",
"parameters":{
    "a":"第一个数字",
    "b":"第二个数字"
}
}

这相当于给AI提供工具说明书。

---

五、第一个DeepSeek Function Calling程序

1. 定义工具

def calculator(a,b):
    return a+b

这个函数负责实际计算。

---

2. 注册工具

为了方便管理多个工具，我们创建工具表：

tools_map = {
    "calculator": calculator
}

这里使用了Python中的一个重要思想：

函数也可以作为变量保存。

以后增加工具：

tools_map = {
    "calculator": calculator,
    "multiply": multiply,
    "weather": weather
}

程序可以自动找到对应函数。

---

六、让DeepSeek选择工具

发送工具描述：

tools=[
    {
        "type":"function",
        "function":{
            "name":"calculator",
            "description":"计算两个数字相加"
        }
    }
]

然后调用：

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {
            "role":"user",
            "content":"计算123和456"
        }
    ],
    tools=tools
)

此时：

AI不直接计算。

而是返回：

我要调用calculator工具
参数：
a=123
b=456

---

七、解析AI返回的工具调用

获取：

message=response.choices[0].message

查看：

message.tool_calls

可以得到：

工具名称：
calculator

参数：
{
"a":123,
"b":456
}

---

八、自动执行工具

获取工具名称：

tool_name = tool_call.function.name

找到函数：

function = tools_map[tool_name]

执行：

result = function(**arguments)

这里使用了Python的新知识：

字典解包 **

例如：

arguments={
"a":123,
"b":456
}

执行：

function(**arguments)

等价于：

function(
    a=123,
    b=456
)

---

九、把结果返回给AI

工具执行完成后：

Python:

579

需要告诉AI：

calculator执行结果：
579

然后AI生成：

123和456相加结果是579。

这样，一个完整的Agent闭环就形成了。

---

十、完整Agent结构

最终结构：

             用户
              |
              ↓
          DeepSeek
              |
              ↓
       Tool Calling
              |
              ↓
        Python函数
              |
              ↓
        执行结果
              |
              ↓
          DeepSeek
              |
              ↓
        最终回答

---

十一、今天学习的新知识

1. Function Calling

让AI调用外部函数完成任务。

---

2. Tool

AI可以使用的工具。

本质：

Python函数。

---

3. Tool Registry

工具注册表。

本质：

Python字典。

例如：

{
"工具名称":函数
}

---

4. Router思想

根据AI返回的工具名称：

自动找到对应函数。

流程：

工具名称

↓

字典查询

↓

执行函数

---

十二、今天最大的收获

今天最大的变化：

从：

Chatbot

用户问什么
AI回答什么

升级到：

Agent

用户提出目标

AI决定如何完成

调用工具执行

返回结果

这也是未来很多AI应用的基础。

例如：

• AI文件助手

• PDF问答Agent

• OCR识别Agent

• 网络搜索Agent

• 自动化办公Agent

---

总结

今天通过DeepSeek实现了第一个简单Agent。

虽然代码并不复杂，但理解了AI Agent最核心的思想：

大模型负责理解和决策，程序负责执行具体任务。

后续学习中，会继续扩展更多工具，让Agent拥有更多能力。