一、开篇回顾 + 今日目标
-
回顾：Day4掌握了if判断、for/while循环及两者结合用法，能实现模型参数校验、批量处理prompt和对话历史等逻辑，但代码复用性差------相同逻辑（如参数校验）每次使用都需重复编写，今日学习函数，解决代码复用问题，让大模型开发更高效。
-
今日目标：
-
熟练掌握函数的基础定义（def关键字）、调用方法，理解函数的核心作用；
-
掌握函数的参数（必选参数、默认参数）和返回值（return），适配大模型开发场景；
-
学会封装大模型相关函数（参数校验、批量调用、对话处理），实现代码复用；
-
了解函数的基础易错点，能独立编写、调用简单函数，提升大模型脚本开发效率。
-
二、核心知识点（兼顾Python基础与大模型场景）
（一）函数的核心概念与作用（大模型开发必备）
-
- 核心定义：函数是一段封装好的、可重复调用的代码块，用于实现特定功能（如模型参数校验、批量调用大模型），调用时只需输入参数，无需重复编写代码。
-
- 核心作用（贴合大模型场景）：
-
代码复用：将常用逻辑（如参数校验、prompt批量处理）封装成函数，每次使用直接调用，避免重复编写；
-
简化代码：将复杂逻辑拆分成多个函数，让大模型脚本结构更清晰，便于维护和修改；
-
提升效率：后续开发大模型脚本、RAG应用时，可直接调用已封装的函数，大幅节省开发时间。
-
- 生活类比：函数就像大模型开发中的"工具模板"------比如"模型参数校验工具"，提前做好模板（封装函数），每次需要校验参数时，只需输入参数，工具就会自动输出校验结果，无需重新制作模板。
（二）函数的基础语法（def定义+调用）
-
- 基础定义语法（必记）：
-
语法格式（注意缩进，函数体缩进4个空格）：
-
def 函数名(参数1, 参数2, ...): -
函数体（实现特定功能的代码） -
return 返回值（可选，无返回值可省略） -
关键说明：
-
def：定义函数的关键字，必须放在函数名前面；
-
函数名：自定义名称，遵循Python命名规则（字母、数字、下划线组成，不能以数字开头，不能用关键字，建议见名知意，如check_model_params）；
-
参数：函数的输入，用于接收外部传递的数据（如模型参数temperature、max_tokens），可无参数、1个或多个；
-
函数体：实现函数功能的核心代码，必须缩进；
-
return：用于返回函数执行结果（如参数校验的结果、批量处理后的prompt列表），无返回值时可省略，省略时函数默认返回None。
-
-
- 函数的调用（核心步骤）：
-
语法格式：函数名(参数值1, 参数值2, ...)，调用时需传入与参数对应的数值（无参数则无需传入）；
-
示例（简单函数，无参数、无返回值）：
python#定义函数：打印大模型调用提示 def print_model_prompt(): print("开始调用大模型，正在生成响应...") print("响应生成完成！") # 调用函数（直接写函数名+括号） print_model_prompt() # 可重复调用，无需重复编写函数体代码 print_model_prompt() -
示例（大模型场景：定义函数校验模型温度参数）：
python# 定义函数：校验模型temperature参数 def check_temperature(temp): # 函数体：实现校验逻辑 if 0 <= temp <= 1.0: return "✅ 温度参数合法" else: return "❌ 温度参数不合法（需在0-1.0之间）" # 调用函数，传入参数（如0.8、1.2），接收返回值 result1 = check_temperature(0.8) result2 = check_temperature(1.2) # 打印返回结果 print(result1) # 输出：✅ 温度参数合法 print(result2) # 输出：❌ 温度参数不合法（需在0-1.0之间）
-
- 易错点提醒（新手必看）：
-
忘记写def关键字，直接定义函数名，会报错；
-
函数体未缩进或缩进不一致，会被视为非函数内代码，执行逻辑异常；
-
调用函数时，参数数量与定义时不一致（如定义时需1个参数，调用时传入2个或0个），会报错；
-
混淆函数定义和调用：def 函数名() 是定义，函数名() 是调用，不可只定义不调用（否则函数不会执行）。
（三）函数的参数（大模型场景重点）
-
核心说明：参数是函数与外部交互的桥梁，大模型开发中，常用参数传递模型配置（temperature、max_tokens）、prompt、对话历史等数据，重点掌握2种参数：必选参数、默认参数。
-
- 必选参数（必填参数）：
-
定义：函数调用时必须传入的参数，不传入会报错，顺序与定义时一致；
-
示例（大模型场景：封装函数，批量处理单个prompt）：
python# 定义函数：处理单个prompt（必选参数prompt） def process_prompt(prompt): # 函数功能：给prompt添加前缀，适配大模型输入 processed_prompt = f"请基于以下需求生成专业回答：{prompt}" return processed_prompt # 调用函数：必须传入prompt参数，否则报错 prompt1 = process_prompt("介绍大模型参数调优方法") prompt2 = process_prompt("Python调用qwen-7b的步骤") print(prompt1) # 输出：请基于以下需求生成专业回答：介绍大模型参数调优方法 print(prompt2) # 输出：请基于以下需求生成专业回答：Python调用qwen-7b的步骤
-
- 默认参数（可选参数）：
-
定义：函数定义时给参数指定默认值，调用时可传入新值（覆盖默认值），也可不传（使用默认值）；
-
语法格式：def 函数名(参数1, 参数2=默认值):
-
示例（大模型场景：封装函数，调用大模型时设置默认参数）：
python# 定义函数：模拟大模型调用（默认参数：model=qwen-7b，temperature=0.7） def call_model(prompt, model="qwen-7b", temperature=0.7): print(f"调用模型：{model}") print(f"温度参数：{temperature}") print(f"Prompt：{prompt}") return f"模型{model}响应：基于{prompt}生成回答" # 调用方式1：只传必选参数prompt（使用默认模型和温度） response1 = call_model("什么是RAG技术？") print(response1, "\n") # 调用方式2：传入prompt和model（覆盖默认模型，保留默认温度） response2 = call_model("Python列表用法", model="chatglm3-6b") print(response2, "\n") # 调用方式3：传入所有参数（覆盖所有默认值） response3 = call_model("大模型原理", model="llama-7b", temperature=0.8) print(response3) -
大模型场景：默认参数非常实用，可将常用的模型配置（如默认模型、默认温度）设为默认参数，调用时无需重复传入，减少代码冗余。
-
- 参数使用易错点：
-
默认参数必须放在必选参数后面（如def call_model(prompt, model="qwen-7b") 正确，def call_model(model="qwen-7b", prompt) 错误）；
-
调用函数时，可按位置传参（如call_model("prompt", "chatglm3-6b")），也可按关键字传参（如call_model(prompt="prompt", model="chatglm3-6b")），推荐关键字传参（更清晰，不易出错）；
-
默认参数的值只在函数定义时生效，后续修改默认参数变量，不会影响函数内的默认值。
（四）函数的返回值（return关键字）
-
- 核心作用：将函数执行的结果返回给调用者，供后续代码使用（如参数校验结果、处理后的prompt、大模型响应等）。
-
- 基础用法：
-
无返回值：函数体中无return，或return后无内容，默认返回None（可用于只执行操作，不返回结果，如打印提示）；
-
单个返回值：return 单个结果（如字符串、数字、列表、字典）；
-
多个返回值：return 结果1, 结果2, ...（本质是返回一个元组，可直接用多个变量接收）。
-
- 示例（大模型场景：多个返回值，批量校验模型参数）：
python#定义函数：校验模型temperature和max_tokens两个参数，返回校验结果和参数状态 def check_model_params(temperature, max_tokens): # 校验温度 temp_status = "合法" if 0 <= temperature <= 1.0 else "不合法" # 校验max_tokens token_status = "合法" if 256 <= max_tokens <= 1024 else "不合法" # 多个返回值：返回两个参数的状态和整体校验结果 total_status = "全部合法" if temp_status == "合法" and token_status == "合法" else "部分不合法" return temp_status, token_status, total_status # 调用函数，接收多个返回值 temp_stat, token_stat, total_stat = check_model_params(0.7, 512) print(f"温度参数状态：{temp_stat}") print(f"max_tokens状态：{token_stat}") print(f"整体校验结果：{total_stat}") # 另一个测试案例 temp_stat2, token_stat2, total_stat2 = check_model_params(1.2, 200) print(f"\n温度参数状态：{temp_stat2}") print(f"max_tokens状态：{token_stat2}") print(f"整体校验结果：{total_stat2}") -
- 易错点提醒：
-
return语句执行后，函数会立即终止，后续代码不会执行（如return后面的print语句不会打印）；
-
接收多个返回值时，变量数量需与返回值数量一致，否则会报错或出现变量赋值异常。
三、今日实操（代码可直接复制，贴合大模型场景）
-
实操1：基础函数定义与调用（入门必练）
python# 实操1：定义并调用函数，实现模型参数单个校验 # 1. 定义函数：校验max_tokens参数 def check_max_tokens(tokens): if 256 <= tokens <= 1024: return f"✅ max_tokens={tokens}，配置合理" elif tokens < 256: return f"⚠️ max_tokens={tokens}，过少，建议≥256" else: return f"⚠️ max_tokens={tokens}，过多，建议≤1024" # 2. 调用函数，测试不同参数 print(check_max_tokens(512)) print(check_max_tokens(200)) print(check_max_tokens(1536)) # 实操1拓展：定义无参数、无返回值函数，打印大模型调用提示 def model_call_tip(): print("="*30) print("开始调用大模型...") print("参数校验中...") print("调用成功，正在生成响应...") print("="*30) # 调用函数 model_call_tip() -
实操2：函数参数练习（必选+默认参数，大模型场景）
python# 实操2：封装函数，模拟大模型调用，支持自定义参数 def mock_model_call(prompt, model="qwen-7b", temperature=0.7, max_tokens=1024): # 打印调用信息 print(f"【模型调用信息】") print(f"模型：{model}") print(f"温度：{temperature}，最大tokens：{max_tokens}") print(f"Prompt：{prompt}") # 返回模拟响应 return f"【模拟响应】基于{model}模型，针对'{prompt}'生成专业回答（实际开发替换为真实API调用）" # 调用方式1：只传必选参数prompt response1 = mock_model_call("介绍Python函数的用法") print(response1, "\n") # 调用方式2：传入prompt和部分默认参数 response2 = mock_model_call("RAG如何结合大模型", model="chatglm3-6b", temperature=0.8) print(response2, "\n") # 调用方式3：传入所有参数，覆盖默认值 response3 = mock_model_call("大模型参数调优技巧", model="llama-7b", temperature=0.6, max_tokens=512) print(response3) -
实操3：函数返回值练习（多个返回值，批量处理）
python# 实操3：封装函数，批量处理对话历史，返回有效对话和无效对话 def filter_chat_history(chat_history): valid_chat = [] # 有效对话 invalid_chat = [] # 无效对话（空内容、纯空格） for msg in chat_history: # 检查对话是否包含必要的键 if "role" not in msg or "content" not in msg: invalid_chat.append(msg) continue # 过滤空内容、纯空格的对话 if msg["content"].strip() != "": valid_chat.append(msg) else: invalid_chat.append(msg) # 多个返回值：有效对话列表、无效对话列表 return valid_chat, invalid_chat # 测试函数 test_chat = [ {"role": "user", "content": "Python函数怎么用？"}, {"role": "assistant", "content": ""}, {"role": "user", "content": " "}, {"role": "assistant", "content": "函数需用def定义，调用时传入参数即可"}, {"role": "user", "content": "函数返回值怎么获取？"} ] valid, invalid = filter_chat_history(test_chat) print("有效对话：", valid) print("无效对话：", invalid) # 实操3拓展：调用函数后，批量调用大模型回答有效用户问题 print("\n批量回答有效用户问题：") for msg in valid: if msg["role"] == "user": print(f"\n用户问题：{msg['content']}") print(f"大模型响应：针对该问题的专业解答（实际开发替换为真实API调用）") -
实操4：综合实操（封装大模型批量调用函数）
python# 实操4：综合封装，实现大模型批量调用+参数校验 def batch_call_model(prompts, model="qwen-7b", temperature=0.7, max_tokens=1024): """ 功能：批量调用大模型，先校验参数，再处理prompt，最后模拟调用 参数： prompts：必选参数，prompt列表 model：默认参数，调用的模型，默认qwen-7b temperature：默认参数，温度，默认0.7 max_tokens：默认参数，最大生成tokens，默认1024 返回值：批量调用结果列表 """ # 第一步：校验参数合法性 params_valid = True if not (0 <= temperature <= 1.0): print(f"❌ 温度参数{temperature}不合法，需在0-1.0之间") params_valid = False if not (256 <= max_tokens <= 2048): print(f"❌ max_tokens参数{max_tokens}不合法，需在256-2048之间") params_valid = False if not params_valid: return [] # 第二步：处理prompt（过滤无效prompt） valid_prompts = [p for p in prompts if p.strip() != ""] if not valid_prompts: print("❌ 无有效prompt，无法批量调用") return [] # 第三步：批量模拟调用大模型 call_results = [] for idx, prompt in enumerate(valid_prompts, start=1): response = f"模型{model}（温度：{temperature}）响应：基于'{prompt}'生成专业回答" call_results.append({ "prompt序号": idx, "prompt": prompt, "模型": model, "响应结果": response }) print(f"\n第{idx}个prompt调用完成") return call_results # 调用综合函数 test_prompts = [ "介绍RAG技术的应用场景", "", "Python如何封装大模型调用函数", " ", "大模型参数调优有哪些技巧" ] results = batch_call_model(test_prompts, model="chatglm3-6b", temperature=0.8, max_tokens=768) print("\n批量调用结果：") for res in results: print(res)
四、易错点汇总（新手避坑）
-
函数定义时，忘记写def关键字，或函数名不符合Python命名规则（如以数字开头、使用关键字）；
-
函数体未缩进、缩进不一致，或缩进使用空格和Tab混用（建议统一用4个空格缩进）；
-
调用函数时，参数数量、类型与函数定义不一致（如定义时需传入数字，却传入字符串）；
-
默认参数位置错误，将默认参数放在必选参数前面；
-
return语句使用错误：return后多写逗号（如return a, b, 会返回元组）、return语句后还有可执行代码（不会执行）；
-
函数内使用未定义的变量（如参数名拼写错误，或引用了函数外部未传入的变量）；
-
混淆函数的"定义"和"调用"，只定义函数不调用，导致函数无法执行。
五、今日练习（10分钟巩固）
-
- 定义一个函数，接收一个模型名称（必选参数）和温度参数（默认值0.7），返回模型调用提示（如"调用模型qwen-7b，温度0.7，准备生成响应"）；
-
- 封装一个函数，批量校验模型配置列表，要求：temperature在0.5-0.9之间，max_tokens在512-1024之间，返回合法配置、不合法配置及不合法原因；
-
- 定义一个函数，接收prompt列表和前缀（默认值"请详细回答："），过滤无效prompt后，给每个有效prompt添加前缀，返回处理后的列表，并统计有效prompt数量；
-
- 综合练习：封装一个函数，实现"参数校验→prompt处理→批量模拟调用"的完整流程，返回每个prompt的调用结果，要求包含函数说明文档（注释）。
六、次日预告
- Day6将讲解Python函数的进阶用法（函数嵌套、匿名函数lambda），以及大模型开发中常用的模块导入（如import语句），学会模块导入后，可直接使用第三方库（如transformers、requests）调用真实大模型API，摆脱模拟调用，向实战更进一步！