AI系列：大语言模型的function calling（上）

[大语言模型(LLM) 的function calling](#大语言模型(LLM) 的function calling)
[实验：OpenAI之function calling](#实验：OpenAI之function calling)
- [序列图：function calling如何工作](#序列图：function calling如何工作)
- [详情: 对话内容](#详情: 对话内容)
- 参考代码
[后续: 使用LangChain实现function calling](#后续: 使用LangChain实现function calling)
参考

大语言模型(LLM) 的function calling

大语言模型(LLM)可以使用自然语言与人类对话。但在使用它完成某项复杂工作时，很多时候必须依赖其他外部工具，这包括但不限于：

训练的知识库和提示词以外的知识。包括某些垂直细分领域以及非公开的数据。
计算任务。相信我，即使它给出的结果看起来很像样，你也不能相信它在计算方面的能力；它无法保证100%的准确性。
实时数据。需要外部工具提供。

能识别需要使用的外部工具，能根据其结果数据完成对话的功能叫做function calling。

实验：OpenAI之function calling

OpenAI的GPT作为LLM的代表作，我们将给它提出如下问题：

问题：一共有3个人，每个人有15个苹果，10个鸭梨，一共有多少苹果？
注：　这个简单的逻辑和算数题只作为实验用途；实际应用中可以扩展到复杂的计算。

我们将给GPT提供两个function/tool。一个是乘法，一个是加法。
注：　其中加法用来迷惑GPT。

我们期待的结果：GPT能判断使用乘法及其参数，并使用乘法function calling给出的结果数据，最终返回正确答案：

三个人一共有45个苹果。

序列图：function calling如何工作

我们的代码和GPT将怎样完成这个过程呢？这里将整个过程描绘在下面的时序图中：
代码大模型LLM 1. 调用对话接口，告诉LLM提示词+可使用的functions/tools定义 2. 需要调用的functions/tools及调用参数 3. 将步骤2中LLM的回复加入对话 4. 循环执行function calling，并将结果加入对话 5. 调用对话接口，需要以上所有对话信息 6. 最终回答 alt [分支：需要function calling] [分支：不需要function calling] 代码大模型LLM

详情: 对话内容

以下内容是真实的对话历史，程序和GPT配合按照我们的预想完成了整个过程，并最终给出了正确答案。
注：以下用到的UserMessage, AIMessage, FunctionMessage都是LangChain中的概念；它比较贴切的抽象了不同role的对话项。

步骤1中的对话项：HumanMessage ｜向GPT输入对话提示词。

复制代码

#提示词
{
    "role": "user",
    "content": "一共有3个人，每个人有15个苹果，10个鸭梨，一共有多少苹果？"
}

另外，在调用GPT接口时，定义了2个function type tools：乘法multiply和加法add。内容参见下一部分的代码部分。

步骤2中的对话项：AIMessage ｜ GPT返回需要调用的functions/tools及其调用参数。

复制代码

#这里GPT没有给出最终答案，它识别出了需要调用乘法multiply，参数一first_int为3个人，参数二second_int为15个苹果/每人。
{
    "content": null,
    "role": "assistant",
    "function_call": null,
    "tool_calls": [
        {
            "id": "call_ZMbo4SiA2iaZUSLJMyX8ZzkP",
            "function": {
                "arguments": "{\"first_int\":3,\"second_int\":15}",
                "name": "multiply"
            },
            "type": "function"
        }
    ]
}

步骤4中的对话项 ：FunctionMessage ｜function calling的调用结果数据。

tool_call_id对应步骤2中的tool_calls元素中的id。content为程序调用function/tool后的结果数据。

复制代码

#将function calling的结果为3*15=45，设定role为tool，将其加入对话中。
{
    "tool_call_id": "call_ZMbo4SiA2iaZUSLJMyX8ZzkP",
    "role": "tool",
    "name": "multiply",
    "content": "45"
}

步骤6中的对话项：AIMessage ｜程序将以上所有对话项发送给GPT，GPT用自然语言返回最终结论。

复制代码

#最终结果为：三个人一共有45个苹果。
{
    "content": "三个人一共有45个苹果。",
    "role": "assistant",
    "function_call": null,
    "tool_calls": null
}

参考代码

function calling的实现代码如下：

python 复制代码

__author__ = 'liyane'

import json

# 初始化环境和OpenAI
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())
client = OpenAI()

#调用GPT大模型
def get_completion(messages, tools, model="gpt-3.5-turbo"):
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        # tool_choice支持设置 "auto"（由模型决定是否调用tool） 或者 "none" （不调用tool）作为value。 有tools定义时默认由模型决定。
        # 也可以强制要求必须调用指定的函数，如下所示
        # tool_choice= {"type": "function", "function": {"name": "multiply"}} ,  
        tools=tools
    )
    return response.choices[0].message

#定义function/tool 1: multiply
def multiply(first_int: int, second_int: int) -> int:
    """两个整数相乘"""
    return first_int * second_int

#定义function/tool 2: add
def add(first_add: int, second_add: int) -> int:
    """两个整数相加"""
    return first_add + second_add

#将function calling的schema格式告诉大模型
tools=[{
    "type": "function",
    "function": {
        "name": "multiply",
        "description": "两个整数相乘",
        "parameters": {
            "type": "object",
            "properties": {
                "first_int": {
                    "type": "integer",
                    "description": "第一个乘数",
                },
                "second_int": {
                    "type": "integer",
                    "description": "第二个乘数",
                }
            },
            "required": ["first_int", "second_int"],
        }
    }
    },
    {
    "type": "function",
    "function": {
        "name": "add",
        "description": "两个整数相加",
        "parameters": {
            "type": "object",
            "properties": {
                "first_add": {
                    "type": "integer",
                    "description": "第一个加数",
                },
                "second_add": {
                    "type": "integer",
                    "description": "第二个加数",
                }
            },
            "required": ["first_add", "second_add"],
        }
    }
}]

# 调用LLM接口，将LLM回复加入对话上下文
prompt = "一共有3个人，每个人有15个苹果，10个鸭梨，一共有多少苹果？"
messages = [
    {"role": "user", "content": prompt}
]
response = get_completion(messages, tools)
messages.append(response)  

# 如果LLM需要function calling，调用相应的函数，并将函数结果数据加入对话上下文，继续调用LLM。
while (response.tool_calls is not None):
    for tool_call in response.tool_calls:
        selected_tool = {"add": add, "multiply": multiply}[tool_call.function.name]
        args = json.loads(tool_call.function.arguments)
        tool_output = selected_tool(**args)

        messages.append({
            "tool_call_id": tool_call.id,  # 用于标识函数调用的 ID
            "role": "tool",
            "name": tool_call.function.name,
            "content": str(tool_output)  # 数值result 必须转成字符串
        })

    response = get_completion(messages, tools)
    messages.append(response)  

print("=====最终回复=====")
print(response.content)

后续: 使用LangChain实现function calling

后续更新AI系列：大语言模型的function calling（下）- 使用LangChain：如何使用LangChain实现function calling，LangChain对比原生调用能提供哪些便利。

参考

OpenAI / function calling
LangChain / Tool/function calling

AI系列：大语言模型的function calling（上）

目录

大语言模型(LLM) 的function calling

实验：OpenAI之function calling

序列图：function calling如何工作

详情: 对话内容

参考代码

后续: 使用LangChain实现function calling

参考