【AI大模型】Function Calling

目录

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

百度文心大模型

MiniMax

ChatGLM3-6B

讯飞星火 3.0

通义千问

几条经验总结

---

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].messagefrom 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 sumtool_call = response.tool_calls[0]if (tool_call.function.name == "sum"):# 调用 sumargs = 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：

1. Function Calling 中的函数与参数的描述也是一种 Prompt
2. 这种 Prompt 也需要调优，否则会影响函数的召回、参数的准确性，甚至让 GPT 产生幻觉

Function Calling 的注意事项

划重点：

1. 只有 gpt-3.5-turbo-1106 和 gpt-4-1106-preview 及更高版本的模型可用本次课介绍的方法
2. 使用模型别名 gpt-3.5-turbo 和 gpt-4-turbo 会调用最新模型，但要防范模型升级带来的负面效果，做好充足测试
3. 函数声明是消耗 token 的。要在功能覆盖、省钱、节约上下文窗口之间找到最佳平衡
4. Function Calling 不仅可以调用读函数，也能调用写函数。但官方强烈建议，在写之前，一定要有真人做确认

支持 Function Calling 的国产大模型

• 国产大模型基本都支持 Function Calling 了
• 不支持 FC 的大模型，某种程度上是不大可用的

百度文心大模型

官方文档：文心千帆文档首页-百度智能云

百度文心 ERNIE-Bot 系列大模型都支持 Function Calling，参数大体和 OpenAI 一致，支持 examples。

MiniMax

官方文档：MiniMax-与用户共创智能

• 这是个公众不大知道，但其实挺强的大模型，尤其角色扮演能力
• 如果你曾经在一个叫 Glow 的 app 流连忘返，那么你已经用过它了。现在叫「星野」
• 应该是最早支持 Function Calling 的国产大模型
• V2 版 Function Calling 的 API 和 OpenAI 完全一样，但其它 API 有很大的特色

ChatGLM3-6B

官方文档：ChatGLM3/tools_using_demo at main · THUDM/ChatGLM3 · GitHub

• 最著名的国产开源大模型，生态最好
• 早就使用 tools 而不是 function 来做参数，其它和 OpenAI 1106 版之前完全一样

讯飞星火 3.0

官方文档：星火认知大模型Web API文档 | 讯飞开放平台文档中心

和 OpenAI 1106 版之前完全一样

通义千问

官方文档：如何使用通义千问API_模型服务灵积(DashScope)-阿里云帮助中心

和 OpenAI 接口完全一样。

几条经验总结

在传统与 AI 之间徘徊：

1. 详细拆解业务 SOP，形成任务 flow。每个任务各个击破，当前别幻想模型一揽子解决所有问题
2. 不是所有任务都适合用大模型解决。传统方案，包括传统 AI 方案，可能更合适
3. 一定要能评估大模型的准确率（所以要先有测试集，否则别问「能不能做」）
4. 评估 bad case 的影响面
5. 大模型永远不是 100% 正确的，建立在这个假设基础上推敲产品的可行性