【AI大模型】Function Calling_大模型 function calling

作者：在线问答5 | 2024-07-24 11:09:47

踩

大模型 function calling

什么是Function Calling

示例 1：调用本地函数

Function Calling 的注意事项

支持 Function Calling 的国产大模型

引言

ChatGPT4相比于ChatGPT3.5,有着诸多不可比拟的优势，比如图片生成、图片内容解析、GPTS开发、更智能的语言理解能力等，但是在国内使用GPT4存在网络及充值障碍等问题，如果您对ChatGPT4.0感兴趣，可以私信博主为您解决账号和环境问题。同时，如果您有一些AI技术应用的需要，也欢迎私信博主，我们聊一聊思路和解决方案

什么是Function Calling

Function Calling 是一种函数调用机制，在使用大模型进行prompt 提问时，大模型现有的知识库不一定有能力立即回答你的问题，但我们在提问时可以告诉大模型，我们有几个函数，让它结合我们的提问告诉程序，应该去调用哪个函数，并从给的提问中解析出参数。程序会根据大模型返回的函数和入参生成一个结果。然后程序将最初的提问和函数调用结果一并发给大模型进行 prompt ，这个时候，大模型就能回答出我们的问题了。

举例：

1. 我们调用API向大模型提问：推荐北京五道口附近的咖啡店。同时告诉大模型，我们定义了一个函数，这个函数需要参数是：地名、关键词

2. 大模型从我们的提问中解析出地名、关键词和函数的对应关系返回。如：地点搜索函数，入参是北京五道口，咖啡店。

3. 程序根据大模型返回的参数调用高德API返回咖啡店的位置信息。、

4. 程序将咖啡店的位置信息和最初的提问一并告诉大模型。

5. 大模型基于程序给的信息就能回答出这个问题了。

Function Calling 完整的官方接口文档：https://platform.openai.com/docs/guides/function-calling

示例 1：调用本地函数

需求：实现一个回答问题的 AI。题目中如果有加法，必须能精确计算。


# 初始化
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv
import json
 
_ = load_dotenv(find_dotenv())
 
client = OpenAI()
 
 
def print_json(data):
    """
    打印参数。如果参数是有结构的（如字典或列表），则以格式化的 JSON 形式打印；
    否则，直接打印该值。
    """
    if hasattr(data, 'model_dump_json'):
        data = json.loads(data.model_dump_json())
 
    if (isinstance(data, (list))):
        for item in data:
            print_json(item)
    elif (isinstance(data, (dict))):
        print(json.dumps(
            data,
            indent=4,
            ensure_ascii=False
        ))
    else:
        print(data)
 
 
def get_completion(messages, model="gpt-3.5-turbo"):
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0.7,
        tools=[{  # 用 JSON 描述函数。可以定义多个。由大模型决定调用谁。也可能都不调用
            "type": "function",
            "function": {
                "name": "sum",
                "description": "加法器，计算一组数的和",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "numbers": {
                            "type": "array",
                            "items": {
                                "type": "number"
                            }
                        }
                    }
                }
            }
        }],
    )
    return response.choices[0].message
 
 
 
 
from math import *
 
prompt = "Tell me the sum of 1, 2, 3, 4, 5, 6, 7, 8, 9, 10."
# prompt = "桌上有 2 个苹果，四个桃子和 3 本书，一共有几个水果？"
# prompt = "1+2+3...+99+100"
# prompt = "1024 乘以 1024 是多少？"   # Tools 里没有定义乘法，会怎样？
# prompt = "太阳从哪边升起？"           # 不需要算加法，会怎样？
 
messages = [
    {"role": "system", "content": "你是一个数学家"},
    {"role": "user", "content": prompt}
]
response = get_completion(messages)
 
# 把大模型的回复加入到对话历史中。必须有
messages.append(response)
 
print("=====GPT 第一次回复=====")
print_json(response)
 
# 如果返回的是函数调用结果，则打印出来
if (response.tool_calls is not None):
    # 是否要调用 sum
    tool_call = response.tool_calls[0]
    if (tool_call.function.name == "sum"):
        # 调用 sum
        args = json.loads(tool_call.function.arguments)
        result = sum(args["numbers"])
        print("=====函数返回结果=====")
        print(result)
 
        # 把函数调用结果加入到对话历史中
        messages.append(
            {
                "tool_call_id": tool_call.id,  # 用于标识函数调用的 ID
                "role": "tool",
                "name": "sum",
                "content": str(result)  # 数值 result 必须转成字符串
            }
        )
 
        # 再次调用大模型
        print("=====最终 GPT 回复=====")
        print(get_completion(messages).content)

=====GPT回复=====
{
    "content": null,
    "role": "assistant",
    "function_call": null,
    "tool_calls": [
        {
            "id": "call_4Crnxkt4kj0bOspDxIiAJ6lD",
            "function": {
                "arguments": "{\"numbers\":[1,2,3,4,5,6,7,8,9,10]}",
                "name": "sum"
            },
            "type": "function"
        }
    ]
}
=====函数返回=====
55
=====最终回复=====
The sum of 1, 2, 3, 4, 5, 6, 7, 8, 9, and 10 is 55.

划重点：