AI大模型幻觉问题的函数调用解决方案：DeepSeek 实战解析

在人工智能领域，大型语言模型（LLM）的“幻觉”问题一直备受关注。当被问及股票价格、天气情况等具体信息时，模型有时会像一位自信满满的“学霸”，给出看似合理实则错误的答案，这就是所谓的“幻觉”现象。究其原因，在于模型虽然精通语言艺术，却缺乏接入现实世界的“触角”。

为了破解这一难题，函数调用（Function Call）机制应运而生。它就像为模型配备了一部“智能手机”，让模型在需要时能够“上网搜索”、“调用APP”，从而获取准确可靠的实时信息。

函数调用实战：股票查询系统

让我们以一个股票查询系统为例，看看函数调用机制是如何大显身手的：

	import json

	from openai import OpenAI

	import os

	from dotenv import load_dotenv

	 

	# 加载环境变量

	load_dotenv('.env.local')

	 

	# 创建DeepSeek客户端

	client = OpenAI(

	  api_key=os.getenv('DEEPSEEK_API_KEY'),

	  base_url="https://api.deepseek.com/v1",

	)

	 

	# 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

	 

	# 定义函数调用工具

	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"],

	      }

	    }

	  }

	]

	 

	# 实际股票查询函数

	def get_closing_price(name):

	  # 这里可以替换为真实的股票API调用

	  if name == '青岛啤酒':

	    return '67.92'

	  elif name == '贵州茅台':

	    return '1488.21'

	  else:

	    return '未找到该股票'

	 

	# 主程序

	if __name__ == '__main__': 

	  # 用户查询

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

	  

	  # 第一轮：模型判断是否需要调用函数

	  response = send_message(messages)

	  message = response.choices[0].message

	  messages.append({

	    "role": message.role,

	    "content": message.content,

	    "tool_calls": message.tool_calls

	  })

	 

	  # 如果模型决定调用函数

	  if response.choices[0].message.tool_calls != None:

	    tool_call = response.choices[0].message.tool_calls[0]

	    

	    # 执行股票查询函数

	    if tool_call.function.name == "get_closing_price":

	      arguments_dict = json.loads(tool_call.function.arguments)

	      price = get_closing_price(arguments_dict['name'])

	      

	      # 将结果加入对话上下文

	      messages.append({

	        "role": "tool",

	        "content": price,

	        "tool_call_id": tool_call.id

	      })

	    

	    # 第二轮：模型解释结果

	    response = send_message(messages)

	    print("最终回复：")

	    print(response.choices[0].message.content)

系统工作流程

用户提问：用户询问股票价格，例如：“青岛啤酒的收盘价是多少？”模型判断：DeepSeek 模型识别出需要调用外部工具来获取准确信息。函数执行：调用 get_closing_price 函数，该函数可以接入真实的股票数据源（示例中为模拟数据）。结果整合：模型将获取到的股票价格信息整合成自然语言回答，返回给用户。

优势分析

避免幻觉：模型不再“闭门造车”，而是通过调用可靠的数据源获取准确信息，有效避免了“幻觉”问题。动态更新：股票价格等实时信息可以随时更新，确保模型始终提供最新最准确的信息。领域扩展：可以轻松添加更多工具函数，例如天气查询、餐厅推荐等，不断扩展系统的能力边界。

角色定义的重要性

除了函数调用，角色定义也是控制模型行为的重要手段。例如，在情感问答场景中，可以通过系统角色设定来定义模型的回答风格：

	from openai import OpenAI

	import os 

	from dotenv import load_dotenv

	 

	load_dotenv('.env.local')

	client = OpenAI(api_key=os.getenv('DEEPSEEK_API_KEY'),

	                base_url="https://api.deepseek.com/v1") 

	 

	completion = client.chat.completions.create(

	  model='deepseek-reasoner',

	  messages=[

	    {"role": "system", "content": "你是一个爱情聊天高手，请尽量帮我回答情侣之间相关的问题"},

	    {"role": "user", "content": "请问你的女友问你，她和你妈掉水里,先救谁,请给出具体答案"}

	  ]

	)

	 

	print('思考过程：')

	print(completion.choices[0].message.reasoning_content)

	 

	print('最终答案：')

	print(completion.choices[0].message.content)

结果图：

三层角色体系

系统角色：定义 AI 的人设和回答边界，例如“你是一个爱情聊天高手”。用户角色：提供具体问题和上下文，例如情感类难题。AI 角色：模型返回符合人设的回答，例如输出符合“爱情高手”定位的巧妙回答。

函数调用的高级应用

多工具集成系统

可以将多个工具函数集成到一个系统中，例如：

	tools = [

	  {

	    "type": "function",

	    "function": {

	      "name": "get_stock_price",

	      "description": "获取股票实时价格",

	      # 参数定义...

	    }

	  },

	  {

	    "type": "function",

	    "function": {

	      "name": "search_restaurants",

	      "description": "搜索附近餐厅",

	      # 参数定义...

	    }

	  },

	  {

	    "type": "function",

	    "function": {

	      "name": "check_weather",

	      "description": "查询天气预报",

	      # 参数定义...

	    }

	  }

	]

动态参数处理

可以在函数调用中添加智能默认值，提高函数的灵活性和易用性：

python
	# 在函数调用中添加智能默认值

	def get_closing_price(name, date="today"):

	    if date == "today":

	        # 获取今日数据

	    elif date == "yesterday":

	        # 获取昨日数据

	    else:

	        # 指定日期数据

结果图：

结论：突破幻觉的边界

函数调用机制赋予了大语言模型“耳听六路，眼观八方”的能力，使其不再局限于“语言游戏”，而是能够真正接入现实世界，成为连接人类需求与现实世界的“智能中枢”。

知识实时性：可以接入股票行情、地图服务等动态数据源，提供实时信息。回答可靠性：避免模型编造看似合理实则错误的信息，确保回答准确可靠。能力可扩展：通过添加新函数，可以不断扩展系统的能力边界，满足更多场景的需求。角色可控性：通过系统角色设定，可以精确控制模型的回答风格，使其更符合特定场景的需求。

函数调用机制不仅解决了大模型的“幻觉”问题，更开启了大模型作为“智能中枢”的新时代。

如有错误欢迎指正，欢迎各位友友评论点赞！