Update function_calling.zh.mdx

pages/applications/function_calling.zh.mdx

@@ -1,3 +1,107 @@
-# Function Calling with LLMs
+# 在LLM中调用函数
 
-This page needs a translation! Feel free to contribute a translation by clicking the `Edit this page` button on the right.
+## 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：
+
+```python
+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"],
+            },
+        },   
+    }
+]
+```
+
+`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：
+
+```python
+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：
+```python
+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`：
+
+```python
+response = get_completion(messages, tools=tools)
+```
+
+`response`的构造如下所示：
+
+```python
+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](https://github.com/dair-ai/Prompt-Engineering-Guide/blob/main/notebooks/pe-function-calling.ipynb)，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...