上一章我们介绍了基于Prompt范式的工具调用方案，这一章介绍基于模型微调，支持任意多工具组合调用，复杂调用的方案。多工具调用核心需要解决3个问题，在哪个位置进行工具调用(where), 从众多工具中选择哪一个(Which), 工具的输入是什么(What)。Where + Which + What，我称之为3W原则，3H它兄弟哈哈哈哈~
其实如何教大模型使用工具，和教人类使用工具没啥区别。就像上周末我想给我妈买的可以防弹，超重的岩板餐桌按个滑轮需要使用电钻，那我学习使用电钻的途径无非有三种
- 基于历史经验：我之前都是手动的没用过电动的，我凭借自信直接上手结果拧歪了......对应到LLM其实就是本章要提到的工具微调，我们让模型先学习在在不同的场景使用什么工具，如何使用，再利用大模型的迁移泛化能力泛化到更多的场景。
- 从工具说明书中学习：我去翻了翻说明书，奈何写的太抽象没看懂......对应到LLM简单版的就是上一章的zero-shot prompt方案，告诉大模型工具的使用场景和用法；升级版就是之后会提到的优化方案，我们可以动态召回工具的完整说明书和使用范例作为上文输入模型
- 通过观察他人使用工具来学习：最终我打开小红书看短视频学习了下，一点就通，于是我拥有了可丝滑移动的防弹餐桌！对应到LLM简单版就是上一章介绍的few-shot prompt方案，我们让LLM看到在其他场景它是如何使用工具的；升级版就是之后会提到的动态few-shot prompt的方案。
下面我们看下通过微调为模型注入工具使用经验的两个方案：Toolformer和Gorilla
Toolformer
- TALM: Tool Augmented Language Models
- Toolformer: Language Models Can Teach Themselves to Use Tools
- 填充式工具使用 + InContext制造自监督样本
Toolformer是工具调用领域的前辈，使用LM监督微调得到可以进行Inline工具调用的模型。解码时，模型会在恰当的位置生成API调用的请求，并中止解码，去调用API得到返回值，把返回值拼接到"->"字符之后，再继续模型解码，如下
Toolformer的创新主要在API调用的样本构造，因此我们先来看下样本构造的部分
样本
Toolformer单一API的样本构造主要包含以下3个步骤
- Sampling API
以QA API为例，作者会先编写几个样本作为In-Context，得到以下的FewShot指令样本
然后针对新的长度为N的输入文本，作者会计算每个位置得到<API>前缀的条件解码概率，并保留超过阈值的TopK个最优可能出现<API>的位置。然后每个位置，基于上文，让模型随机解码m次生成m个候选的API调用请求。这样我们就得到了候选样本集，每一段文本，最多有K个可能进行工具调用的位置，且每个位置有至多m个候选请求{c1,...cm}。
- Executing API Calls
执行以上得到的候选请求，每个请求得到一个对应的返回值{r1,....rm}。 可以是计算器的结果，维基百科的搜索返回等等
- Filtering API Calls
最后是过滤筛选，原理是好的工具调用样本，应该会让工具调用位置后面的文本解码概率提高，Perplexity降低。因此作者计算了在工具调用位置之后，所有token的加权条件解码概率。
以上加权的权重计算如下，离工具调用位置越远权重越小
条件解码概率的条件Z，分别是工具调用+返回值，工具调用+无返回值，无工具调用，这三者中Loss较小的一个,过滤方案是工具调用+工具返回值的Loss降幅超过阈值，则保留该样本
整体量级上，1个API生成了25K左右的样本用于微调，样本长度1024
微调
使用以上样本生成方案得到多API调用的样本集混合后得到增强训练样本。样本的构建方式是在原始文本中直接插入API调用的语句 x1:i−1,e(ci,ri),xi:n,如下
The Nile has an approximate length of QA(What is the approximate length of the Nile?)->6,853 km 6,853 kilometers, the White Nile being its main source
这样通过微调，模型会学习到在什么位置使用什么样的工具，以及工具的请求输入。同时和解码的格式保持一致，后文会依赖API调用结果进行解码。微调使用了GPT-J模型，Batch=128， lr=1e-5，warmup=10%，训练了2K step，常规的LM Loss.
总结
Toolformer的创新主要在使用模型的Few-shot理解能力，使用少量的人工标注样本制造大量的自监督样本。这样Tooformer理论上可以支持任意的API工具。但Toolformer有一些局限性
- 工具独立：论文中每个API调用的样本是独立构造的，工具之间没有交互，且同一工具的多次调用之间也是独立，不依赖上文的调用返回。
- 常规解码：没有引入思维链推理，限制了最终效果
Gorilla
- HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in HuggingFace
- TaskMatrix.AI: Completing Tasks by Connecting Foundation Models with Millions of APIs
- Gorilla：Large Language Model Connected with Massive APIs
- github.com/ShishirPati...
Gorilla在HuggingGPT，TaskMatrix.AI这两个API调用的前辈的基础上，加入了指令微调来提升API调用效果。Gorilla支持TorchHub，TensorflowHub，Huggingface总共1645个API，且可以泛化到新的API上。
样本
Gorilla使用Self-Instruct来构建指令样本，用的是GPT4模型。构建方案是以上3个API Hub, 每个Hub各人工编写6个指令样本。每一轮随机从6个样本中采样3个作为Few-Shot，并通过指令让GPT4随机生成10个真实世界的使用case，总共生成16450个指令样本，生成的指令样本如下
同时Gorilla加入了Retriever-Aware，也就是在以上的指令样本中，指令后面会拼接上API的使用说明:"Use this API documentation for reference: <retrieved_API_doc_JSON>"
这样在推理阶段，会先根据用户的指令召回最相关、最新的API使用说明。降低模型幻觉的同时，使得模型有更好的泛化性，可以适应全新的API接口，或者已有API接口的参数变化。
微调&推理
微调的部分比较常规就是在LLama-7B模型上，使用以下参数在8*A100(40G)进行指令微调。
在推理阶段会同样加入API Retriever根据用户的指令召回最相关的API使用说明，和用户输入拼接，喂进模型推理。召回方案作者尝试了BM25和GPT的Embedding，不过不同召回方案的效果和API本身相关，没有谁一定更好这一说。
效果上微调后7B的LLama模型使用GPT Embedding召回工具说明，在工具调用上的准确率可以显著超越GPT3.5使用Prompt方案的调用效果
总结
对比上一章基于Prompt的方案Self Ask，ReAct和这一章基于微调的方案Toolformer，Gorilla，指令微调的方案有以下优势
- planning效果更好：微调方案比Prompt方案在复杂问题规划上效果更好，尤其适合本身In-Context能力有限的小模型
- 工具调用准确率更高：针对复杂工具调用的准确率更高
- 不受模型迭代影响：GPT3.5->GPT4的升级，让不少基于Prompt指令的应用们需要集体进行prompt调整，因为模型指令变了.......以及不同模型之间的指令或有不同。但微调方案不受这一点影响，因为指令微调本身就是对齐的过程，因此更robust
缺点自然是没有开箱即用的Prompt方案灵活，所以不妨用prompt方案来进行前期测试，后期用微调来提升效果。
但其实不论是prompt方案还是微调方案，其实都是LLM Agent应用中的工具调用规划这一个子模块，要真正搭建可以落地的大模型应用，需要更系统的整体设计，这块我们放在下一章说~
想看更全的大模型相关论文梳理·微调及预训练数据和框架·AIGC应用，移步Github >> DecryPrompt