1. DeepSeek R1工具调用的现状与挑战DeepSeek R1作为当前热门的开源大模型在实际应用中经常会遇到需要调用外部工具的场景。但很多开发者在使用过程中发现当前版本的DeepSeek R1并不支持原生的工具调用功能。这意味着当我们想让模型执行诸如查询天气、计算数学公式、调用数据库等操作时模型本身无法直接完成这些任务。我在实际项目中也遇到了这个问题。比如需要开发一个智能客服系统当用户询问北京明天天气怎么样时理想情况是模型能自动调用天气API获取数据。但直接使用DeepSeek R1会发现它只能给出类似我可以帮你查询天气这样的回应而无法真正执行查询操作。这种情况下的核心痛点在于模型无法识别何时需要调用工具即使识别了需求也没有标准化的方式来触发工具执行工具执行结果无法有效反馈给模型进行后续处理好消息是DeepSeek官方已经在GitHub上确认下一个大版本会支持原生工具调用功能。但对于急需该功能的开发者来说等待可能不是最佳选择。这就引出了我们今天要讨论的主题如何基于ReAct思想和Spring AI框架手动实现工具调用功能。2. ReAct思想解析与提示词设计2.1 什么是ReAct模式ReAct(Reasoning and Acting)是一种让大模型能够进行推理和行动的技术框架。它的核心思想是将问题解决过程分解为思考-行动-观察的循环思考(Thought): 模型分析当前情况决定下一步行动行动(Action): 模型选择执行某个工具或直接回答观察(Observation): 获取行动结果作为下一轮思考的输入这种模式特别适合DeepSeek R1这类不支持原生工具调用的模型。我曾在电商推荐系统中应用这个模式让模型能够根据用户查询调用商品数据库效果相当不错。2.2 提示词设计要点要让DeepSeek R1按照ReAct模式工作关键在于设计严格的提示词。以下是经过我多次调试后的优化版本{ action: weather_query, action_input: { location: 北京, date: 2023-11-20 } }提示词中需要明确几个关键部分工具定义清晰列出所有可用工具及其参数格式响应格式严格规定模型必须返回的JSON结构流程控制明确思考-行动-观察的循环机制在实际应用中我发现中文提示词对DeepSeek R1的效果更好。可能是因为模型对中文的理解更深入出错率明显低于英文提示词。3. Spring AI框架集成实践3.1 Spring AI工具调用基础Spring AI提供了完善的工具调用支持即使底层模型(如DeepSeek R1)不原生支持也能通过框架层实现。我在项目中主要使用了以下核心组件Tool接口定义工具的基本契约ToolExecutor负责实际执行工具调用ToolCallListener监听工具调用事件一个简单的天气查询工具实现如下Bean public Tool weatherTool() { return new Tool() { Override public String getName() { return weather_query; } Override public String getDescription() { return 查询指定地点和日期的天气情况; } Override public Object execute(MapString, Object inputs) { // 实际调用天气API的逻辑 return weatherService.query( (String)inputs.get(location), (String)inputs.get(date) ); } }; }3.2 工具执行流程控制完整的工具调用流程可以分为以下几个步骤初始化对话设置系统提示词包含工具定义和ReAct规则用户提问接收用户输入触发模型推理解析响应从模型输出中提取JSON action工具执行根据action调用相应工具结果反馈将工具结果作为观察输入下一轮对话循环处理重复直到获得Final Answer这个流程中最大的挑战是保持对话上下文的一致性。我的经验是每次工具调用后需要将完整的思考-行动-观察记录添加到对话历史中。4. 完整实现示例与优化技巧4.1 端到端实现代码下面是一个完整的Spring Boot应用示例展示如何集成DeepSeek R1与工具调用RestController public class ToolController { Autowired private ChatClient chatClient; PostMapping(/ask) public String askQuestion(RequestBody String question) { // 初始化对话 ListMessage messages new ArrayList(); messages.add(new SystemMessage(REACT_PROMPT)); messages.add(new UserMessage(question)); // 对话循环 while (true) { ChatResponse response chatClient.call(messages); String content response.getContent(); // 解析JSON action JsonNode action parseAction(content); if (action null) { return 无法解析模型响应; } // 检查是否为最终答案 if (Final Answer.equals(action.get(action).asText())) { return action.get(action_input).asText(); } // 执行工具 String toolName action.get(action).asText(); JsonNode toolInput action.get(action_input); Object toolResult toolExecutor.execute(toolName, toolInput); // 更新对话上下文 messages.add(new AssistantMessage(content)); messages.add(new UserMessage(Observation: toolResult)); } } }4.2 性能优化经验在实际使用中我发现几个可以显著提升效果的方法温度参数调整将temperature设为0.3-0.5之间减少随机性结果后处理添加JSON格式校验和自动修正逻辑超时控制设置合理的超时时间避免无限循环工具缓存对工具结果进行缓存减少重复调用有一次在金融项目中因为没有设置超时控制导致模型陷入思考循环差点引发服务雪崩。这个教训让我意识到流程控制的重要性。5. 常见问题与解决方案在实现过程中开发者常会遇到一些典型问题。根据我的经验以下是几个最常见的情况及其解决方法5.1 模型不遵循JSON格式这是初期最常见的问题。解决方案包括在提示词中强化格式要求添加输出后处理自动修正小错误使用更精确的停止词(stop words)我开发了一个简单的格式修正工具可以自动处理缺失引号、括号等常见问题效果很好。5.2 工具选择不准确有时模型会选择错误的工具。改进方法提供更详细的工具描述在提示词中添加工具选择示例实现工具相似度匹配在电商项目中我通过添加工具使用示例将准确率从70%提升到了92%。5.3 循环次数过多ReAct模式可能导致无限循环。控制方法设置最大循环次数(通常3-5次足够)监控思考内容的重复性添加循环检测逻辑经过多次测试我发现大多数任务在3次循环内都能完成超过5次往往意味着出现了问题。