SenseNova 商汤日日新大模型 Function Call（函数调用）功能讲解和应用示例

考虑到使用 magic 申请 OpenAPI 的账号挺麻烦的，这里以商汤日日新大模型 SenseNova 介绍 Function Call 的功能。

官方链接：日日新开放平台

一、Function Call 是个啥？

在 LLM（Large Language Model）语言大模型时代，Function Call（函数调用）是指可靠地连接 LLM 与外部工具的能力。让用户能够使用高效的外部工具、与外部 API 进行交互。

GPT-4 和国内 SenseNova 等经过微调的 LLM，能够检测函数是否被调用，随后输出包含调用函数参数的 JSON。通过这一过程被调用的函数能够作为工具添加到您的 AI 应用中，并且您可以在单个请求中定义多个函数。

函数调用是一项重要能力。它对于构建 LLM 驱动的聊天机器人或代理至关重要。这些聊天机器人或代理需要为 LLM 检索上下文。它们还与外部工具交互。这种交互是通过将自然语言转换为 API 调用来完成的。

函数调用使开发者能够创建：

能够高效使用外部工具回答问题的对话代理。例如，查询「上海的天气如何？」将被转换为类似 get_current_weather(location: string, unit: 'celsius' | 'fahrenheit') 的函数调用。
用于提取和标记数据的 LLM 驱动解决方案（例如，从维基百科文章中提取人名）。
可以帮助将自然语言转换为 API 调用或有效数据库查询的应用程序。
能够与知识库交互的对话式知识检索引擎。
从文本中提取结构化数据。

二、使用 SenseNova 进行函数调用

假设一个用户向模型提出以下问题：

上海今天的天气怎么样？

看大部分的教程都是用这个示例来说明函数调用，但这里想说商汤的 SenseNova 其实已经支持联网功能了，API 层面设置对应的参数即可自动从网络上实时获取天气信息！！！

这里对比一下 ChatGPT 和 SenseChat（基于 SenseNova 大模型的聊天机器人），看下他们的回答分别是什么？

商汤通过 search_enable 参数将是否开启在线检索开放出来了，以下是配置参数：

所以用天气怎么样，无法作为函数调用示例代码了。下面我们通过「查询学生成绩」来讲解如何使用函数调用。

功能：我们有一个数据库其中有学生表，记录每个学生的成绩，我现在需要和 SenseNova 交流问它其中某个学生的成绩怎么样。

要使用函数调用处理此请求，第一步是定义一个查询学生成绩的函数。您将作为 SenseNova API 请求的一部分传递这些函数：

tools = [{"type": "function","function": {"name": "get_score","description": "通过学生的姓名查询学生的成绩",  # 这个描述对 LLM 非常重要"parameters": {"type": "object","properties": {"name": {"type": "string","description": "学生姓名"}},"required": ["name"]}}}
]
tool_choice = {"mode": "auto"
}

get_score 函数能够返回指定学生的成绩信息。当您将这个函数定义作为请求的一部分传递时，它实际上并不执行函数，只是返回一个包含调用函数所需参数的 JSON 对象。

以下是实现这一需求的函数调用整个代码片段，读者可自行复制粘贴执行一下，前提是申请了 SenseNova 的试用账号。

import json
import osimport sensenovaak = os.environ['SENSENOVA_AK']
sk = os.environ['SENSENOVA_SK']sensenova.access_key_id = ak
sensenova.secret_access_key = sk
model_id = "SenseChat-FunctionCall"tools = [{"type": "function","function": {"name": "get_score","description": "通过学生的姓名查询学生的成绩",  # 这个描述对 LLM 非常重要"parameters": {"type": "object","properties": {"name": {"type": "string","description": "学生姓名"}},"required": ["name"]}}}
]
tool_choice = {"mode": "auto"
}def get_response(question):resp = sensenova.ChatCompletion.create(model=model_id,messages=[{"role": "user", "content": question}],max_new_tokens=1024,temperature=0.8,tools=tools,tool_choice=tool_choice,)return resp['data']['choices'][0]question = "帮我查询张三的考试成绩"
# 1. 第一次 LLM 调用
message = get_response(question)def get_score(name):"""模拟读取数据库中的学生表:param name::return:"""# 用一个字典存储姓名和成绩对应关系, 实际这里是查询数据库scores = {"小明": 90, "小红": 80, "小白": 59, "张三": 99}score = {"name": name,"score": scores[name]}return json.dumps(score)# 2. 解析第一次LLM调用结果，构建参数进行第二次LLM调用，获取最终结果
if message.get("tool_calls"):# 函数调用ID，下一次调用需要传入tool_call_id = message['tool_calls'][0]['id']# 我们定义的函数参数值，这里是经过 LLM 解析后，将"帮我查询张三的考试成绩"这种非结构化数据转为了结构化数据，这里的name=张三name = json.loads(message['tool_calls'][0]['function']['arguments']).get("name")# 调用我们定义的函数:get_scorefunction_response = get_score(name=name)# 将用户的原始输入、第一次LLM返回的message、还有tool_call_id/function_response一起组成第二次调用的messages，发起LLM第二次调用second_response = sensenova.ChatCompletion.create(model=model_id,messages=[{"role": "user", "content": question},message,{"role": "tool", "content": function_response, "tool_call_id": tool_call_id}],tools=tools,tool_choice=tool_choice,)# 输出想要的结果print(second_response['data']['choices'][0]['message'])

输出：