LLM 中自定义函数的调用
调用函数
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 GPT-3.5 是经过微调的 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 “伯利兹的天气如何？” 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
在这份指南中，我们展示了如何针对GPT-4和其他开源模型给出提示，以执行不同的函数调用。
使用 GPT-4 进行函数调用
作为一个基本示例，假设我们要求模型检查特定地点的天气。
LLM 本身无法响应此请求。因为它所使用的训练数据集截止至之前的某个日期。解决这个问题的方法是将 LLM 与外部工具结合起来。您可以利用模型的函数调用能力来确定要调用的外部函数及其参数，然后让它返回最终回复结果。以下是一个简单的示例，展示了如何使用 OpenAI API 实现这一点。
假设一个用户向模型提出以下问题：
伦敦的天气如何？要使用函数调用处理此请求，第一步是定义一个或一组天气函数。您将作为 OpenAI API 请求的一部分传递这些函数：
# Defines a dummy function to get the current weather
def get_current_weather(location, unit="fahrenheit"):
"""Get the current weather in a given location"""
weather = {
"location": location,
"temperature": "50",
"unit": unit,
}
return json.dumps(weather)
# define a function as tools
tools = [
{
"type": "function",
"function": {
"name": "get_current_weather",
"description": "Get the current weather in a given location",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and state, e.g. San Francisco, CA",
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"]},
},
"required": ["location"],
},
},
}
]
# define a list of messages
messages = [
{
"role": "user",
"content": "What is the weather like in London?"
}
]get_current_weather 函数能够返回指定位置的天气情况。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。以下是一些如何实现这一点的代码片段。
您可以如下定义一个完整的函数：
def get_completion(messages, model="gpt-3.5-turbo-1106", temperature=0, max_tokens=300, tools=None):
response = openai.chat.completions.create(
model=model,
messages=messages,
temperature=temperature,
max_tokens=max_tokens,
tools=tools
)
return response.choices[0].message您可以像这样构造用户提问：
messages = [
{
"role": "user",
"content": "伦敦的天气如何？"
}
]最后，您可以调用 get_completion 函数，将结果传递给 response 中的 messages 和 tools：
response = get_completion(messages, tools=tools)
args = json.loads(response.tool_calls[0].function.arguments)
get_current_weather(**args)这将输出：'{"location": "London", "temperature": "50", "unit": "celsius"}'
上述代码中 response 的构造如下所示：
ChatCompletionMessage(
content=None,
role='assistant',
function_call=None,
tool_calls=[
ChatCompletionMessageToolCall(id='...',
function=Function(
arguments='{"location":"London","unit":"celsius"}',
name='get_current_weather'),
type='function'
)
]
)特别地，arguments 对象包含了模型提取的重要参数，这些参数将被用于完成请求。
然后您可以调用一个外部天气 API 来获取实际的天气信息。一旦您有了天气信息，就可以将其传回模型，随后根据原始用户问题总结出最终回应。
这里有一个 python notebook (opens in a new tab)，它提供了一个简单示例，展示了如何使用 OpenAI API 进行函数调用。
使用开源 LLM 进行函数调用
更多使用开源LLM进行函数调用的说明即将推出...
函数调用用例
更多函数调用用例即将推出...