mirror of
https://github.com/dair-ai/Prompt-Engineering-Guide
synced 2024-11-16 06:12:45 +00:00
108 lines
4.6 KiB
Plaintext
108 lines
4.6 KiB
Plaintext
# 在LLM中调用函数
|
||
|
||
## 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...
|