2024年您產品必備的10大AI API推薦
舉個例子，你問大模型今天的天氣怎么樣，溫濕度是多少？這樣的問題，即使是人也無法給出準確的回答，但可以通過天氣APP獲取到這些信息。
因此，只需要讓大模型具有訪問查詢天氣情況接口的能力，那么這個問題就可以被解決了，而類似于查詢天氣的這種接口，統一稱為工具(tool)。
但大模型本身又不具備調用網絡的能力，那么怎么才能實現這個功能呢？
這時函數調用的作用就體現出來了，所謂的函數就是一個能實現特定功能的代碼段，它們有設定的輸入參數和返回值，這樣就可以使用函數調用各種工具實現大模型無法實現的功能。
之所以選擇函數調用，原因就是因為函數調用比較簡單，大模型只需要返回幾個參數即可實現函數調用。
function call的實現過程
在正常的開發流程中，不論是函數調用還是API調用，都是開發者進行傳參，然后獲得返回值。
沒了解過function call的人可能會認為，函數調用就是大模型調用python等語言的解釋器，執行目標代碼并獲得結果。
事實上，在function call中，大模型并不負責函數的執行，大模型的作用是根據用戶的問題，理解用戶的需求，然后根據用戶需求確定具體的回調函數以及函數所需要的參數。
openAI官方文檔明確指出，大模型不會真正執行函數調用，而是由應用開發者根據大模型的返回進行具體的函數調用。
因此，在實現function call的過程中，應用開發者需要預先設定一個工具集，并負責工具集的實現。
# 定義工具集
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"],
},
},
}
]
# 工具集函數d 實現
def get_current_weather(location, unit="fahrenheit"):
"""Get the current weather in a given location"""
if "tokyo" in location.lower():
return json.dumps({"location": "Tokyo", "temperature": "10", "unit": unit})
elif "san francisco" in location.lower():
return json.dumps({"location": "San Francisco", "temperature": "72", "unit": unit})
elif "paris" in location.lower():
return json.dumps({"location": "Paris", "temperature": "22", "unit": unit})
else:
return json.dumps({"location": location, "temperature": "unknown"})用戶在調用大模型時，需要把當前工具集傳給大模型。
# 在參數tools中傳入工具集
client = openAI(api_key="你的openai密鑰")
response = client.chat.completions.create(
model='gpt-4o',
messages=messages,
tools= tools,
tool_choice="auto"
)這時，大模型就可以通過理解用戶的輸入，然后返回所需工具的名稱和參數，然后就可以根據名稱和參數調用具體的工具，如天氣查詢接口。
大模型函數調用的流程如下圖所示，從下圖可以看出，大模型使用工具需要兩次輸入。
# 大模型返回的需要調用的函數名稱和參數
{"role": "assistant", "content": "", "tool_calls": [{"function": {"name": "get_current_weather", "arguments": "{\"properties\": {\"location\": {\"description\": \"北京市\", \"type\": \"string\"}}}"}, "id": "", "type": "function"}]}第一次輸入是用戶提問，大模型根據提問內容解析出需要調用的函數；第二次是把函數的執行結果傳入到模型中；最后，模型根據函數的執行結果返回給用戶。
1. 用戶向應用程序發出提示詞（prompt）
2. 應用程序會傳遞用戶提供的提示詞和函數聲明（Function Declaration(s)），即對模型所需工具的描述信息
3. 根據函數聲明，模型會給出工具選取建議和相關的請求參數。注意，模型僅會輸出建議的工具和請求參數，并不會實際調用函數
4. & 5. 應用程序根據模型響應調用相關 函數
6. & 7. 將 函數的響應內容再次輸入模型，生成人類可讀的內容
8. 應用程序將最終響應返回給用戶，然后再次回到第 1 步，如此循環往復
文章轉自微信公眾號@AI探索時代
