AI|Function Call(1)

Function Call 是什么

大模型的 Function Call（函数调用） 属于一种使大语言模型（LLM）依据用户指令调用外部函数或工具的技术，借助模型的理解能力与外部工具的精确性相结合，达成更为繁杂、更具动态性的任务处置。其核心要点如下：

定义

Function Call可让大模型基于用户的自然语言输入，识别意图并触发预先设定的外部函数或工具，把自然语言转化为结构化的参数传送给函数，最后整合函数返回的结果以生成用户能够理解的回应。

原理

语义理解：模型解析用户输入，判定是否有调用函数的必要。
函数匹配：从预先定义的函数库中选取适宜的工具（诸如天气查询、数学计算等）。
参数生成：把用户描述转换为函数所需的参数格式（例如 {num:1.4}）。
执行整合：调用外部工具获取结果，进而生成自然语言的答复。

作用

突破大模型原生限制

实时数据获取：例如查询天气、股票等动态信息（大模型自身知识库为静态的）。
精准计算：处理像数学运算、数据分析这类需要高度准确性的任务（如计算平方、绝对值）。
私域知识扩展：连接数据库、知识图谱等私有数据源，以解决特定领域的问题。

增强功能多样性

支持复杂操作：像发送邮件、控制智能设备、自动化办公任务等。
提升交互效率：用户无需学习特定的命令语法，使用自然语言就能触发复杂功能。

提升安全性与合规性

敏感数据隔离：由外部工具处理隐私信息（如支付、身份验证），防止暴露给大模型。

使用方法

步骤一：定义外部函数

依据需求编写函数，例如：

1
2
3

# 示例：数学平方计算函数 
def calculator_square(num: float) -> float: 
    return num ** 2

步骤二：注册函数给大模型

向模型阐述函数的功能、参数以及使用场景（需符合模型要求的格式，如JSON Schema）：

{
  "name": "calculator_square", 
  "description": "计算一个数的平方", 
  "parameters": {
    "type": "object", 
    "properties": {"num": {"type": "number"}}, 
    "required": ["num"]
  }
}

步骤三：用户提问触发函数调用

用户输入自然语言指令（如“计算1.4的平方”），模型判定需调用函数后，生成参数并返回：

{
  "function_call": {
    "name": "calculator_square", 
    "arguments": "{num: 1.4}"
  }
}

步骤四：执行函数并返回结果

开发者解析参数，执行函数后将结果返回给模型，最终生成用户友好的回答：

1	1.4的平方是1.96。

案例

下面使用 OpenAI Python 客户端实现 Function Call,通过一个简单的场景来演示：查询某个城市的天气情况。假设我们有一个外部函数 get_current_weather，它会调用一个天气 API 并返回结果。

注意事项

函数安全性：需要对参数进行严格校验，防止恶意输入（如SQL注入）。
模型适配：不同模型（如GPT - 4、GLM - 4）的Function Call接口可能存在差异，需参照官方文档。
错误处理：模型可能会误选函数或者生成错误参数，需要设计容错机制（如重试或者提示用户澄清）。

依赖

1	pip install openai

函数定义

先定义一个外部函数 get_current_weather，它将调用一个天气 API（例如 OpenWeatherMap API）来获取实时天气数据。

import requests

def get_current_weather(location: str, unit: str = "metric"):
    """
    调用天气 API 获取当前天气
    :param location: 城市名称
    :param unit: 温度单位（metric 表示摄氏度，imperial 表示华氏度）
    :return: 天气数据
    """
    api_key = "YOUR_OPENWEATHERMAP_API_KEY"
    url = f"http://api.openweathermap.org/data/2.5/weather?q={location}&units={unit}&appid={api_key}"
    response = requests.get(url)
    data = response.json()
    return {
        "temperature": data["main"]["temp"],
        "description": data["weather"][0]["description"]
    }

使用 OpenAI 的 Function Call

接下来，我们将使用 OpenAI 的 Python 客户端来实现 Function Call。假设我们已经有一个 OpenAI 的 API 密钥，并且启用了 Function Call 功能。

import openai

# 设置 OpenAI API 密钥
openai.api_key = "YOUR_OPENAI_API_KEY"

# 定义 Function Call 的函数
def get_current_weather(location: str, unit: str = "metric"):
    """
    调用天气 API 获取当前天气
    :param location: 城市名称
    :param unit: 温度单位（metric 表示摄氏度，imperial 表示华氏度）
    :return: 天气数据
    """
    api_key = "YOUR_OPENWEATHERMAP_API_KEY"
    url = f"http://api.openweathermap.org/data/2.5/weather?q={location}&units={unit}&appid={api_key}"
    response = requests.get(url)
    data = response.json()
    return {
        "temperature": data["main"]["temp"],
        "description": data["weather"][0]["description"]
    }

# 定义 Function Call 的参数
functions = [
    {
        "name": "get_current_weather",
        "description": "获取指定城市的当前天气",
        "parameters": {
            "type": "object",
            "properties": {
                "location": {
                    "type": "string",
                    "description": "城市名称"
                },
                "unit": {
                    "type": "string",
                    "description": "温度单位（metric 或 imperial）",
                    "default": "metric"
                }
            },
            "required": ["location"]
        }
    }
]

# 用户输入
user_input = "北京今天的天气如何？"

# 调用 OpenAI API，启用 Function Call
response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[
        {"role": "user", "content": user_input}
    ],
    functions=functions,
    function_call="auto"  # 自动决定是否调用函数
)

# 检查是否需要调用函数
if response.choices[0].finish_reason == "function_call":
    function_args = response.choices[0].message.function_call.arguments
    function_name = response.choices[0].message.function_call.name

    # 调用外部函数
    if function_name == "get_current_weather":
        weather_result = get_current_weather(
            location=function_args["location"],
            unit=function_args.get("unit", "metric")
        )

        # 将结果返回给模型
        second_response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=[
                {"role": "user", "content": user_input},
                {"role": "assistant", "content": response.choices[0].message.content},
                {"role": "function", "name": function_name, "arguments": function_args},
                {"role": "function", "name": function_name, "content": weather_result}
            ]
        )
        print(second_response.choices[0].message.content)
else:
    print(response.choices[0].message.content)

通过Function Call，大模型从“纯文本生成器”晋升为“智能调度中心”，极大地拓展了应用范围。开发者可借助开源框架（如LangChain）快速集成此功能。