Function Calling 介绍与实战

functions 是 Chat Completion API 中的可选参数，用于提供函数定义。其目的是使 GPT 模型能够生成符合所提供定义的函数参数。请注意，API不会实际执行任何函数调用。开发人员需要使用GPT 模型输出来执行函数调用。

如果提供了functions参数，默认情况下，GPT 模型将决定在何时适当地使用其中一个函数。

可以通过将function_call参数设置为{"name": "<insert-function-name>"}来强制 API 使用指定函数。

同时，也支持通过将function_call参数设置为"none"来强制API不使用任何函数。

如果使用了某个函数，则响应中的输出将包含"finish_reason": "function_call"，以及一个具有该函数名称和生成的函数参数的function_call对象。

functions 参数使用方法

安装依赖

复制代码
pip install scipy tenacity tiktoken termcolor openai requests

javascript
复制代码
import json
import requests
import os
from tenacity import retry, wait_random_exponential, stop_after_attempt
from termcolor import coloredGPT_MODEL = "gpt-3.5-turbo"

定义工具函数

ini
复制代码
# 第一个字典定义了一个名为"get_current_weather"的功能
functions = [{"name": "get_current_weather",  # 功能的名称"description": "Get the current weather",  # 功能的描述"parameters": {  # 定义该功能需要的参数"type": "object","properties": {  # 参数的属性"location": {  # 地点参数"type": "string",  # 参数类型为字符串"description": "The city and state, e.g. San Francisco, CA",  # 参数的描述},"format": {  # 温度单位参数"type": "string",  # 参数类型为字符串"enum": ["celsius", "fahrenheit"],  # 参数的取值范围"description": "The temperature unit to use. Infer this from the users location.",  # 参数的描述},},"required": ["location", "format"],  # 该功能需要的必要参数},},# 第二个字典定义了一个名为"get_n_day_weather_forecast"的功能{"name": "get_n_day_weather_forecast",  # 功能的名称"description": "Get an N-day weather forecast",  # 功能的描述"parameters": {  # 定义该功能需要的参数"type": "object","properties": {  # 参数的属性"location": {  # 地点参数"type": "string",  # 参数类型为字符串"description": "The city and state, e.g. San Francisco, CA",  # 参数的描述},"format": {  # 温度单位参数"type": "string",  # 参数类型为字符串"enum": ["celsius", "fahrenheit"],  # 参数的取值范围"description": "The temperature unit to use. Infer this from the users location.",  # 参数的描述},"num_days": {  # 预测天数参数"type": "integer",  # 参数类型为整数"description": "The number of days to forecast",  # 参数的描述}},"required": ["location", "format", "num_days"]  # 该功能需要的必要参数},},
]

定义函数chat_completion_request

python
复制代码
# 定义一个函数chat_completion_request，主要用于发送 聊天补全 请求到OpenAI服务器def chat_completion_request(messages, functions=None, function_call=None, model=GPT_MODEL):# 设定请求的header信息，包括 API_KEYheaders = {"Content-Type": "application/json","Authorization": "Bearer " + os.getenv("OPENAI_API_KEY"),}# 设定请求的JSON数据，包括GPT 模型名和要进行补全的消息json_data = {"model": model, "messages": messages}# 如果传入了functions，将其加入到json_data中if functions is not None:json_data.update({"functions": functions})# 如果传入了function_call，将其加入到json_data中if function_call is not None:json_data.update({"function_call": function_call})# 尝试发送POST请求到OpenAI服务器的chat/completions接口try:response = requests.post("https://api.openai.com/v1/chat/completions",headers=headers,json=json_data,)# 返回服务器的响应return response# 如果发送请求或处理响应时出现异常，打印异常信息并返回except Exception as e:print("Unable to generate ChatCompletion response")print(f"Exception: {e}")return e

执行调用

makefile
复制代码
# 定义一个空列表messages，用于存储聊天的内容
messages = []# 使用append方法向messages列表添加一条系统角色的消息
messages.append({"role": "system",  # 消息的角色是"system""content": "Don't make assumptions about what values to plug into functions. Ask for clarification if a user request is ambiguous."  # 消息的内容
})# 向messages列表添加一条用户角色的消息
messages.append({"role": "user",  # 消息的角色是"user""content": "What's the weather like today"  # 用户询问今天的天气情况
})# 使用定义的chat_completion_request函数发起一个请求，传入messages和functions作为参数
chat_response = chat_completion_request(messages, functions=functions
)# 解析返回的JSON数据，获取助手的回复消息
assistant_message = chat_response.json()["choices"][0]["message"]# 将助手的回复消息添加到messages列表中
messages.append(assistant_message)pretty_print_conversation(messages)

这段代码首先定义了一个messages列表用来存储聊天的消息，然后向列表中添加了系统和用户的消息。

然后，它使用了之前定义的chat_completion_request函数发送一个请求，传入的参数包括消息列表和函数列表。

在接收到响应后，它从JSON响应中解析出助手的消息，并将其添加到消息列表中

如何使用 functions 参数

这段代码定义了两个可以在程序中调用的函数，分别是获取当前天气和获取未来N天的天气预报。

每个函数(function)都有其名称、描述和需要的参数（包括参数的类型、描述等信息）。

总结

调用 api.openai.com/v1/chat/com… 时传递functions参数时

completion 模型返回的结果中会通过function_call参数提示你调用哪个函数

流程

定义好function函数
调用大模型大模型返回结果告诉你调用哪个函数包括具体的参数值
调用函数获取结果
将结果查询的结果放到message队列中重新传给大模型

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍