1. 从一次失败的 Function Calling 说起DeepSeek-V3.1 是 DeepSeek 在 2025 年 8 月发布的混合推理模型一个模型同时支持思考模式deepseek-reasoner和非思考模式deepseek-chat上下文扩展到 128K并且 API Beta 接口支持了 strict 模式的 Function Calling。这意味着模型输出的函数调用参数会严格满足你定义的 JSON Schema不再出现字段缺失或类型错误。对于想从零搭建 Agent 原型的开发者来说这是目前性价比很高的起点。但我在实际接入时踩了一个坑本地同时装了 Cline 和 Claude Code两套工具各自维护 API Key 和 Base URL切换模型时改配置改到崩溃。更麻烦的是Function Calling 的返回结果在不同客户端里的解析方式不一致调试时根本分不清是模型问题还是配置问题。后来我把所有请求统一走 TaoToken 的 API 通道用一套 Key 管理多个模型和工具配置才稳定下来。这篇文章就按这个思路从环境准备到 Function Calling 验证给你一套可以直接复制的配置骨架。2. TaoToken 统一通道的前置准备TaoToken 在这里的角色是一个统一的 API 网关你只需要一个 Key就能访问 DeepSeek-V3.1 以及其他主流模型不用为每个模型单独申请账号、单独记 Base URL。对于 Agent 原型开发来说好处是切换模型时只改一个 model 字段其他配置不动。你需要先拿到 API Key。访问 https://taotoken.net/api-keys 创建建议按项目命名比如agent-proto-deepseek方便后续排查是哪个项目在调用。创建后立即复制保存页面刷新后不再显示完整 Key。Base URL 统一使用https://taotoken.net/api不要加 UTM 参数否则部分客户端会把它当成路径的一部分导致 404。模型名称方面DeepSeek-V3.1 对应两个入口deepseek-chat走非思考模式适合 Function Calling 和快速响应deepseek-reasoner走思考模式适合复杂推理任务。做 Agent 原型时工具调用环节建议先用deepseek-chat因为非思考模式延迟更低调试循环更快。注意strict 模式的 Function Calling 需要在请求体里显式声明strict: true并且你的 JSON Schema 必须设置additionalProperties: false否则接口会拒绝。3. 可复制的配置骨架3.1 settings.jsonCline / Claude Code 通用片段Cline 和 Claude Code 都支持通过 settings.json 配置自定义 API 端点。下面这段可以直接粘贴把YOUR_TAOTOKEN_KEY替换成你的实际 Key{ llm: { provider: openai-compatible, baseUrl: https://taotoken.net/api, apiKey: YOUR_TAOTOKEN_KEY, model: deepseek-chat, temperature: 0.3, maxTokens: 4096 }, agent: { enableFunctionCalling: true, strictMode: true, maxIterations: 8 } }这里temperature设 0.3 是为了让工具调用的参数更稳定maxIterations限制 Agent 循环次数防止调试时无限调用。strictMode对应 DeepSeek-V3.1 的 strict Function Calling开启后模型输出的参数会严格匹配 Schema。3.2 config.tomlCC Switch 配置片段如果你用 CC Switch 管理多个模型配置config.toml 的写法如下[[providers]] name taotoken base_url https://taotoken.net/api api_key YOUR_TAOTOKEN_KEY models [deepseek-chat, deepseek-reasoner] [providers.default] model deepseek-chat temperature 0.3 timeout 60 [providers.function_calling] enabled true strict true parallel_calls falseparallel_calls设为 false 是因为 Agent 原型阶段串行调用更容易追踪每一步的输入输出排查问题时不会因为并发导致日志交错。3.3 环境变量方式推荐用于 CI / 容器export TAOTOKEN_API_KEYYOUR_TAOTOKEN_KEY export TAOTOKEN_BASE_URLhttps://taotoken.net/api export DEEPSEEK_MODELdeepseek-chat然后在代码里读取环境变量避免 Key 硬编码进仓库。4. 一次 Function Calling 调用与返回验证配置写好后用一段最小 Python 脚本验证 Function Calling 是否正常工作。这里定义一个查询天气的工具让模型决定是否调用import os import json from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL] ) tools [ { type: function, function: { name: get_weather, description: 查询指定城市的当前天气, strict: True, parameters: { type: object, properties: { city: {type: string, description: 城市名称}, unit: {type: string, enum: [celsius, fahrenheit]} }, required: [city, unit], additionalProperties: False } } } ] response client.chat.completions.create( modeldeepseek-chat, messages[{role: user, content: 北京现在天气怎么样用摄氏度}], toolstools, tool_choiceauto ) msg response.choices[0].message if msg.tool_calls: call msg.tool_calls[0] print(函数名:, call.function.name) print(参数:, json.loads(call.function.arguments)) else: print(模型未触发工具调用:, msg.content)预期输出类似函数名: get_weather 参数: {city: 北京, unit: celsius}如果参数里unit是celsius而不是C或摄氏度说明 strict 模式生效了Schema 约束起了作用。这一步验证通过后你就可以在 Agent 循环里把工具返回结果拼回 messages继续下一轮对话。5. 本篇常见错排查报错一400 Bad Request - additionalProperties is requiredstrict 模式下每个 object 类型的 parameters 必须显式写additionalProperties: false漏掉就会报这个错。检查你的 Schema 里所有嵌套 object。报错二401 UnauthorizedKey 复制时带了空格或者用了https://taotoken.net/api/结尾多了斜杠。Base URL 严格写https://taotoken.net/apiKey 前后不要有空白字符。报错三模型返回纯文本而不是 tool_calls检查tool_choice是否设为auto以及 tools 数组是否为空。另外deepseek-reasoner在思考模式下对工具调用的支持行为可能不同Agent 原型阶段先用deepseek-chat。报错四Cline 里配置不生效Cline 的 settings.json 路径在不同系统下不同确认你改的是用户级配置而不是项目级被覆盖。改完后重启 Cline 窗口部分版本需要重新加载。报错五CC Switch 切换模型后仍走旧配置config.toml 里[[providers]]段的 name 必须和你在 CC Switch 界面选择的一致否则会 fallback 到默认 provider。6. 下一步把通道固定下来Agent 原型的核心不是一次调用成功而是能稳定循环。建议你把 TaoToken 的 Key 和 Base URL 写进项目根目录的.env文件用python-dotenv加载这样换机器或换模型时只改一个文件。Function Calling 的 Schema 单独放一个tools.py每加一个工具就加一个 dictAgent 循环里统一遍历。如果你要长期跑编码类 Agent可以了解 Coding Plan 的额度方案如果只是验证模型对话效果直接打开模型对话页面测试接入文档里有完整的参数说明和更多示例。先把今天这段 Function Calling 跑通你就已经完成了 Agent 时代的第一步落地。
1. 从一次失败的 Function Calling 说起DeepSeek-V3.1 是 DeepSeek 在 2025 年 8 月发布的混合推理模型一个模型同时支持思考模式deepseek-reasoner和非思考模式deepseek-chat上下文扩展到 128K并且 API Beta 接口支持了 strict 模式的 Function Calling。这意味着模型输出的函数调用参数会严格满足你定义的 JSON Schema不再出现字段缺失或类型错误。对于想从零搭建 Agent 原型的开发者来说这是目前性价比很高的起点。但我在实际接入时踩了一个坑本地同时装了 Cline 和 Claude Code两套工具各自维护 API Key 和 Base URL切换模型时改配置改到崩溃。更麻烦的是Function Calling 的返回结果在不同客户端里的解析方式不一致调试时根本分不清是模型问题还是配置问题。后来我把所有请求统一走 TaoToken 的 API 通道用一套 Key 管理多个模型和工具配置才稳定下来。这篇文章就按这个思路从环境准备到 Function Calling 验证给你一套可以直接复制的配置骨架。2. TaoToken 统一通道的前置准备TaoToken 在这里的角色是一个统一的 API 网关你只需要一个 Key就能访问 DeepSeek-V3.1 以及其他主流模型不用为每个模型单独申请账号、单独记 Base URL。对于 Agent 原型开发来说好处是切换模型时只改一个 model 字段其他配置不动。你需要先拿到 API Key。访问 https://taotoken.net/api-keys 创建建议按项目命名比如agent-proto-deepseek方便后续排查是哪个项目在调用。创建后立即复制保存页面刷新后不再显示完整 Key。Base URL 统一使用https://taotoken.net/api不要加 UTM 参数否则部分客户端会把它当成路径的一部分导致 404。模型名称方面DeepSeek-V3.1 对应两个入口deepseek-chat走非思考模式适合 Function Calling 和快速响应deepseek-reasoner走思考模式适合复杂推理任务。做 Agent 原型时工具调用环节建议先用deepseek-chat因为非思考模式延迟更低调试循环更快。注意strict 模式的 Function Calling 需要在请求体里显式声明strict: true并且你的 JSON Schema 必须设置additionalProperties: false否则接口会拒绝。3. 可复制的配置骨架3.1 settings.jsonCline / Claude Code 通用片段Cline 和 Claude Code 都支持通过 settings.json 配置自定义 API 端点。下面这段可以直接粘贴把YOUR_TAOTOKEN_KEY替换成你的实际 Key{ llm: { provider: openai-compatible, baseUrl: https://taotoken.net/api, apiKey: YOUR_TAOTOKEN_KEY, model: deepseek-chat, temperature: 0.3, maxTokens: 4096 }, agent: { enableFunctionCalling: true, strictMode: true, maxIterations: 8 } }这里temperature设 0.3 是为了让工具调用的参数更稳定maxIterations限制 Agent 循环次数防止调试时无限调用。strictMode对应 DeepSeek-V3.1 的 strict Function Calling开启后模型输出的参数会严格匹配 Schema。3.2 config.tomlCC Switch 配置片段如果你用 CC Switch 管理多个模型配置config.toml 的写法如下[[providers]] name taotoken base_url https://taotoken.net/api api_key YOUR_TAOTOKEN_KEY models [deepseek-chat, deepseek-reasoner] [providers.default] model deepseek-chat temperature 0.3 timeout 60 [providers.function_calling] enabled true strict true parallel_calls falseparallel_calls设为 false 是因为 Agent 原型阶段串行调用更容易追踪每一步的输入输出排查问题时不会因为并发导致日志交错。3.3 环境变量方式推荐用于 CI / 容器export TAOTOKEN_API_KEYYOUR_TAOTOKEN_KEY export TAOTOKEN_BASE_URLhttps://taotoken.net/api export DEEPSEEK_MODELdeepseek-chat然后在代码里读取环境变量避免 Key 硬编码进仓库。4. 一次 Function Calling 调用与返回验证配置写好后用一段最小 Python 脚本验证 Function Calling 是否正常工作。这里定义一个查询天气的工具让模型决定是否调用import os import json from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL] ) tools [ { type: function, function: { name: get_weather, description: 查询指定城市的当前天气, strict: True, parameters: { type: object, properties: { city: {type: string, description: 城市名称}, unit: {type: string, enum: [celsius, fahrenheit]} }, required: [city, unit], additionalProperties: False } } } ] response client.chat.completions.create( modeldeepseek-chat, messages[{role: user, content: 北京现在天气怎么样用摄氏度}], toolstools, tool_choiceauto ) msg response.choices[0].message if msg.tool_calls: call msg.tool_calls[0] print(函数名:, call.function.name) print(参数:, json.loads(call.function.arguments)) else: print(模型未触发工具调用:, msg.content)预期输出类似函数名: get_weather 参数: {city: 北京, unit: celsius}如果参数里unit是celsius而不是C或摄氏度说明 strict 模式生效了Schema 约束起了作用。这一步验证通过后你就可以在 Agent 循环里把工具返回结果拼回 messages继续下一轮对话。5. 本篇常见错排查报错一400 Bad Request - additionalProperties is requiredstrict 模式下每个 object 类型的 parameters 必须显式写additionalProperties: false漏掉就会报这个错。检查你的 Schema 里所有嵌套 object。报错二401 UnauthorizedKey 复制时带了空格或者用了https://taotoken.net/api/结尾多了斜杠。Base URL 严格写https://taotoken.net/apiKey 前后不要有空白字符。报错三模型返回纯文本而不是 tool_calls检查tool_choice是否设为auto以及 tools 数组是否为空。另外deepseek-reasoner在思考模式下对工具调用的支持行为可能不同Agent 原型阶段先用deepseek-chat。报错四Cline 里配置不生效Cline 的 settings.json 路径在不同系统下不同确认你改的是用户级配置而不是项目级被覆盖。改完后重启 Cline 窗口部分版本需要重新加载。报错五CC Switch 切换模型后仍走旧配置config.toml 里[[providers]]段的 name 必须和你在 CC Switch 界面选择的一致否则会 fallback 到默认 provider。6. 下一步把通道固定下来Agent 原型的核心不是一次调用成功而是能稳定循环。建议你把 TaoToken 的 Key 和 Base URL 写进项目根目录的.env文件用python-dotenv加载这样换机器或换模型时只改一个文件。Function Calling 的 Schema 单独放一个tools.py每加一个工具就加一个 dictAgent 循环里统一遍历。如果你要长期跑编码类 Agent可以了解 Coding Plan 的额度方案如果只是验证模型对话效果直接打开模型对话页面测试接入文档里有完整的参数说明和更多示例。先把今天这段 Function Calling 跑通你就已经完成了 Agent 时代的第一步落地。
