【DeepSeek实战】2、DeepSeek特训：Function Calling与ReAct双引擎驱动大模型智能升级实战指南

最新推荐文章于 2025-07-28 00:00:26 发布
最新推荐文章于 2025-07-28 00:00:26 发布
阅读量967 收藏 22
点赞数 31
CC 4.0 BY-SA版权
分类专栏： DeepSeek全栈应用开发实战 文章标签： 人工智能 AI未来趋势 DeepSeek应用开发实战 ReAct FunctionCalling 智能体 优快云技术干货
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/RickyIT/article/details/148840716

在这里插入图片描述

一、核心概念与技术架构解析

1.1 Function Calling机制深度剖析

Function Calling作为大模型与外部工具交互的桥梁，解决了传统大模型在垂直领域数据获取和实时性任务中的天然缺陷。其核心工作原理是通过结构化参数定义，使大模型能够识别需要调用的外部工具，返回标准化参数后由开发者执行工具，并将结果回传至大模型完成闭环处理。

# 股票查询工具定义标准格式
tools = [{
   
   
    "name": "get_stock_price",
    "descri
了解本专栏 订阅专栏 解锁全文
【DeepSeek开发入门】Function Calling 函数功能应用实战指南
寻道AI，探索AI无限可能！
03-14 2344
在人工智能开发领域，DeepSeek 以其丰富的功能和强大的性能备受关注。其中，Function Calling（函数调用）功能为开发者提供了一种全新的交互方式，使得模型能够与外部工具和函数进行交互，极大地拓展了模型的应用能力。本文将深入探讨 DeepSeek Function Calling 的原理、使用方法、应用场景以及开发过程中的注意事项。Function Calling 允许模型根据用户的输入，判断是否需要调用外部函数来完成任务。
一文搞懂DeepSeek - DeepSeek的三种访问方式
随机指定的博客
02-11 3256
DeepSeek的R1和V3模型现已在网页端、APP以及API上全面推出，为用户提供多样化的访问途径。这三种访问方式各具特色，适用于不同的使用场景。DeepSeek的网页端是一个用户友好的在线平台，用户只需通过浏览器即可轻松访问。该平台设计直观，即使是非技术背景的用户也能迅速上手，享受DeepSeek带来的便捷服务。专为移动设备打造的DeepSeek APP，则让用户体验更加便捷和个性化。用户可以在智能手机或平板电脑上安装并使用该APP，随时随地访问DeepSeek平台，享受与网页端相似但更加贴合移动场景的
Python开发Django从入门到精通
YunWisdom
02-13 999
欢迎来到Django的世界！本书是你的“编程指南”，将带你从零开始，逐步掌握Django的精髓。无论你是编程新手，还是有一定经验的开发者，这本书都将为你提供系统化、专业化的指导。让我们一起踏上这段充满挑战与乐趣的编程旅程吧！
Datawhale 科大讯飞AI大赛（模型蒸馏）
1ncludeSteven
07-27 428
使用教师模型蒸馏学生模型（小模型），使得学生模型尽可能在数学推理任务中表现更好，评分标准由4个指标组成：Overall Score=0.4×AS+0.3×CQS+0.2×ES+0.1×MLS。通过上述方法构建了3个对应的数据集，目前想要对最终的模型使用的数据集进行消融实验，训练及评分过程较慢。三个数据集合并后共包含2126条数据。模型微调后，创建应用，发布服务即可提交赛题，目前赛题评分中，待更新最后分数。
跨境支付入门～国际支付结算（风控篇）
lkf19711的博客
07-25 1079
跨境支付企业的"吞金兽"：风控系统成为最大成本黑洞。这类系统需采购海量第三方数据（年费超千万），并应对国际卡组织的高额合规要求（如VISA系统年增300万美元成本）。核心防控AML（反洗钱）和CFT（反恐融资）风险，通过四阶KYC认证体系（证件核验到持续监控）和KYB企业审查（股权穿透到贸易背景验证）。采用AI检测（准确率98.7%）、知识图谱等技术，并实施分级审核策略（CDD/EDD）。风控系统需融合3000+规则引擎和机器学习模型，实现全流程监控，是跨境支付企业的生死线。
SpringAI入门及浅实践，实战 Spring‎ AI 调用大模型、提示词工程、对话记忆、Adv‎isor 的使用
最新发布
WDJ54068923的博客
07-28 890
本文摘要： 文章系统介绍了Spring AI中关于提示词工程（Prompt）与对话记忆的核心知识点。提示词工程部分详解了提示词的基本概念与分类（基于角色/功能），并总结了14条优化技巧，强调清晰指令、结构化输出和任务拆解等关键点。对话记忆部分展示了通过ChatClient实现多轮对话的多种方式，包括构造器注入、建造者模式、不同响应格式（ChatResponse/实体对象/流式返回）以及动态提示词模板的应用。全文通过代码示例直观呈现了Spring AI处理AI交互的核心技术方案。
RoPE：相对位置编码的旋转革命——原理、演进与大模型应用全景
拒绝AI玄学，只聊真技术▲
07-26 1646
RoPE通过几何旋转的统一框架，实现了位置编码的相对性、可逆性与外推性的平衡，成为大模型位置感知的基石技术。跨模态统一：N维李群框架支撑视频、3D点云位置建模动态频率学习：替代预设θbaseθbase​，实现任务自适应编码鲁棒性增强：融合FoPE思想抵抗深层频谱损坏RoPE的本质是将位置关系映射为复数空间的旋转群——它不仅是Transformer的“位置感知器”，更是AI理解时空的数学透镜。当旋转矩阵的维度从文本扩展到图像、视频乃至物理世界，位置编码的数学之美正在重构AI对世界的认知方式。
大模型开发
2302_81352523的博客
07-23 1354
AI（人工智能）是使机器具备类人思考和解决问题能力的技术，其核心是Transformer神经网络模型（如GPT）。大模型应用结合传统编程实现记忆等复杂功能，应用开发技术包括Prompt问答、微调、Agent调用和RAG（外挂知识库），适用于客服、医疗、办公自动化等场景。AI通过数据训练掌握语言规律，处理模糊性问题，与传统程序互补形成强大应用。
统计与大数据分析与数学金融方向课程差异有哪些？如何提升职场竞争力？
LRQ2025的博客
07-23 1220
统计与大数据分析和数学金融专业存在显著课程重叠（概率统计、编程、优化等），但主攻方向不同。统计侧重机器学习、大数据处理及广泛领域应用；数学金融则深入金融建模、衍生品定价等专业领域。建议新生结合兴趣（数据算法vs金融建模）与职业规划（数据科学家vs量化分析师），利用大一大二共同基础课程进行体验后选择。两个专业基础课高度相似，扎实掌握数学与编程核心能力是关键。
人工智能与交通：智能出行的变革与突破
一套方法论打通全栈闭环，从 0 到 1 教你驾驭需求、设计、开发、项目、课题、论文和软著，速成全栈王者！
07-25 1105
AI 驱动的智能交通不仅是技术升级，更是对城市空间、能源利用、社会分工的全面重构。从自动驾驶解放人类的驾驶时间，到智能调度让城市告别拥堵，再到绿色交通助力碳中和，每一项进步都在重新定义 “出行” 的意义 —— 从 “必要的负担” 变为 “高效、安全、愉悦的体验”。实现这一愿景需要技术突破、法规创新、社会协同的多方努力。当技术足够成熟、法规足够清晰、公众足够信任时，智能交通将成为 “未来城市” 的血管系统，支撑起更高效、更公平、更可持续的人类生活方式。
人工智能时代的战略竞争优势商业模式创新培训讲师培训师专家咨询顾问唐兴通谈个性化在制造业金融业医疗医药石油化工SARS软件行业大客户营销与销售背后的价值
Akibfrycc的博客
07-26 765
这让我想起《孙子兵法》中的"迅雷不及掩耳"——当你的竞争对手还在为季度营销计划绞尽脑汁时，真正的领导者已经构建了能够同时运行数百个覆盖数百万客户的实验系统，在短短几天内就能提取洞察，并将其融入下一轮互动。他们深谙个性化的真谛：结合智能整合与自动化，在敏捷团队中跨越功能孤岛，将测试和学习的时间线压缩至小时级别，月度实验数量提升至数千个。真正的个性化能力竞争是组织能力的竞争。今日，不知多少企业迷信于购买昂贵的营销自动化平台，招揽数据科学家，实施CRM系统，却依然无法真正理解客户，更遑论预测需求、创造价值。
动手学深度学习2.0-李沐Pytorch版
qq_43361801的博客
07-24 352
教材的pdf我已经上传到资源啦！动手学深度学习在线课程。
Spring AI 项目实战（二十）：基于Spring Boot + AI + DeepSeek的智能环境监测与分析平台（附完整源码）
博客
07-26 452
本文介绍了基于Spring Boot和DeepSeek大语言模型开发的智能环保监测系统。该系统实现了多类型传感器数据采集、实时监测、AI异常检测、污染源识别、趋势预测和治理方案推荐等功能，采用前后端分离架构，整合了Spring Boot、Vue3、MySQL等技术栈。项目通过AI技术提升了环保监测的智能化水平，解决了传统系统在实时性、分析能力和预警机制等方面的不足。
基础NLP | 常用工具
xhxhss的博客
07-24 181
AI日报 - 2025年07月25日
NingboWill的博客
07-25 1246
AI人工智能日报新闻和最新AI工具
SLAM学习资料记录
m0_53713033的博客
07-23 317
对极几何、PnP、ICP ：https://blog.51.cto.com/u_13157605/6039293。融合知识：https://zhuanlan.zhihu.com/p/667506476(李帅)源码下载地址：https://github.com/MichaelGrupp/evo.git。ros消息：https://zhuanlan.zhihu.com/p/664398276。ORB_SLAM2 创建自己的数据集（还未使用）多传感器融合定位（csdn 是安澜啊；
非参数密度函数估计(1)
gongdiwudu的专栏
07-25 1008
非参数密度估计是一种估计随机变量概率密度函数的方法，无需假设分布的特定函数形式与需要选择特定分布（如正态分布或指数分布）的参数方法不同， 非参数方法直接从数据中估计密度，这使得它们更灵活但可能更复杂。
柔性智造：华控智能的垂直整合定制方案
2509_91995072的博客
07-26 685
深圳市华控智能电子科技有限公司｜ 业务关键词：指纹识别方案 | 指纹模组 | 指纹+NFC无源锁 | 指纹设计 | 指纹拉杆箱 | 指纹箱包锁 |指纹文具盒 | 指纹枪盒 |指纹保温杯 | 指纹抽屉锁 | 指纹红酒柜 | 指纹雪茄柜 | 指纹挂锁一握开 | ID结构电子方案设计 | 智能家居解决方案 | #高新技术企业[话题]# #指纹模块[话题]# #指纹保温杯[话题]# #指纹拉杆箱[话题]#
springboot, ollama,deepseek,function calling实现系统个性化智能助手
02-16
<think>嗯，用户想了解如何用Spring Boot、Ollama、DeepSeek和Function Calling实现一个系统个性化智能助手。首先，我需要分解每个技术的作用，然后想它们如何整合在一起。 Spring Boot是后端框架，用来搭建REST API和处理业务逻辑。Ollama是本地运行大模型的工具，可能用来生成文本或处理自然语言。DeepSeek可能是指深度求索的AI模型，比如DeepSeek-R1或者API，提供更专业的模型能力。Function Calling应该是让大模型调用外部函数的能力，比如获取天气、执行数据库操作等。 接下来，用户需要的是个性化助手，所以可能需要用户偏好存储、对话历史、任务自动化等功能。整合的话，可能需要用Spring Boot作为后端，接收用户请求，然后通过Ollama或DeepSeek处理自然语言，识别用户意图，再通过Function Calling执行具体操作。 可能需要考虑流程：用户输入通过Spring Boot的API接收，发送到Ollama或DeepSeek进行意图识别，解析出需要调用的函数，然后执行对应的Function，比如查数据库或调用外部API，最后生成响应返回给用户。 还需要考虑如何设计Function Calling，比如定义可用函数列表，让模型决定调用哪个。Ollama本地部署可能涉及性能或模型选择的问题，而DeepSeek可能需要API密钥和网络调用。同时，个性化可能涉及用户数据的存储和上下文管理，Spring Boot可以用数据库来保存用户配置和对话历史。 可能遇到的挑战包括模型响应解析是否正确，函数调用的触发是否准确，以及如何管理对话状态。另外，权限和安全问题，比如用户认证和函数调用的安全性，也需要考虑。 测试方面，可能需要单元测试每个组件，集成测试整个流程，确保模型和函数调用协同工作。性能方面，Ollama本地运行可能比云服务快，但依赖硬件资源。 最后，示例代码结构可能包括Spring Boot的Controller，Service层处理业务逻辑，与Ollama/DeepSeek的客户端通信，Function Calling的实现模块，以及数据库集成部分。需要具体步骤：初始化项目，集成模型，实现函数调用逻辑，处理用户上下文，最后测试优化。</think>要实现基于 **Spring Boot、Ollama、DeepSeek** 和 **Function Calling** 的系统级个性化智能助手，需要结合后端框架、本地大模型运行、专用AI模型能力以及函数调用技术。以下是分步说明和关键实现思路： --- ### **1. 技术组件分工** | 技术 | 角色 | |-----------------|------------------------------------------| | **Spring Boot** | 后端系统框架，提供API、业务逻辑和集成能力。 | | **Ollama** | 本地运行开源大模型（如Llama3、DeepSeek-MoE），处理自然语言理解与生成。 | | **DeepSeek** | 深度求索的AI能力（如API或专用模型），增强复杂任务处理能力。 | | **Function Calling** | 让大模型调用外部函数（如数据库查询、API调用），实现动态响应。 | --- ### **2. 核心实现步骤** #### **步骤1：Spring Boot 搭建基础服务** - 创建REST API接收用户请求（文本、语音等）。 - 管理用户身份认证、个性化配置和历史记录（使用MySQL/Redis）。 - 集成Function Calling的注册与调度逻辑。 ```java // 示例：Spring Boot 接收用户请求的Controller @RestController public class AssistantController { @PostMapping("/ask") public Response ask(@RequestBody UserRequest request) { // 1. 获取用户历史上下文 // 2. 调用模型处理请求 // 3. 执行函数调用（如果需要） // 4. 返回响应 } } ``` #### **步骤2：Ollama 本地模型集成** - 部署Ollama服务，加载适合的模型（如`deepseek-llm`或`llama3`）。 - 通过HTTP调用Ollama API，实现对话生成和意图识别。 ```bash # 启动Ollama并运行模型 ollama run llama3 ``` ```java // 通过Spring Boot调用Ollama API public String queryOllama(String prompt) { RestTemplate restTemplate = new RestTemplate(); OllamaRequest request = new OllamaRequest(model="llama3", prompt=prompt); return restTemplate.postForObject("http://localhost:11434/api/generate", request, String.class); } ``` #### **步骤3：DeepSeek 增强能力** - 调用DeepSeek API处理专业领域问题（如代码生成、数据分析）。 - 与Ollama结果融合，提升回答质量。 ```yaml # application.yml 配置DeepSeek API密钥 deepseek: api-key: YOUR_API_KEY endpoint: https://api.deepseek.com/v1/chat/completions ``` #### **步骤4：Function Calling 实现动态响应** - 定义可调用的函数（如`get_weather`、`search_user_data`）。 - 模型根据用户意图返回需调用的函数及参数，后端执行并返回结果。 ```json // 示例：模型返回的Function Calling请求 { "function": "get_weather", "arguments": {"location": "北京"} } ``` ```java // 函数调用执行器 public class FunctionExecutor { public Object execute(String functionName, Map<String, Object> args) { switch (functionName) { case "get_weather": return WeatherAPI.get(args.get("location")); case "search_user_data": return Database.queryUserData((String) args.get("userId")); // 更多自定义函数... } } } ``` -- ### **3. 个性化设计关键点** 1. **用户画像存储** - 记录用户偏好、历史交互数据，用于上下文感知（如“上次您问过杭州天气，今天需要再查吗？”）。 2. **动态上下文管理** - 使用Redis缓存当前对话状态，确保多轮交互连贯性。 3. **混合模型决策** - 简单任务用Ollama本地处理，复杂任务路由到DeepSeek。 - 示例逻辑： ```java if (request.contains("代码生成")) { response = callDeepSeek(prompt); } else { response = callOllama(prompt); } ``` 4. **安全与权限控制** - 敏感函数（如删除数据）需二次确认或权限校验。 --- ### **4. 示例流程** 1. 用户问：“明天北京需要带伞吗？” 2. Spring Boot接收请求，检索用户历史（已知用户在北京）。 3. Ollama识别意图需调用`get_weather`，生成参数`{"location": "北京"}`。 4. 后端调用天气API，获取数据后生成回答：“北京明天多云，建议带伞。” 5. 记录本次交互到用户历史，更新上下文。 --- ### **5. 优化方向** - **性能**：Ollama本地模型选择（如`deepseek-moe`轻量版）减少延迟。 - **扩展性**：通过Spring Boot的插件机制动态加载新Function。 - **评估**：使用A/B测试对比Ollama与DeepSeek的响应质量。 通过以上架构，可实现一个低延迟、高定制化且支持复杂操作的智能助手系统。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

无心水

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值