OpenAI 在它的多个版本的模型里提供了一个非常有用的功能叫 Function Calling，就是你传递一些方法的信息给到大模型，大模型根据用户的提问选择合适的方法Function，然后输出给你，你再来决定是否执行。

之所以需要Function Calling，通俗来讲就是大模型不具备实时性。因为模型是基于之前的数据训练出来的。而 Function Calling 具备实时性的优势，比如调用第三方API、或者 Database 来获取实时数据。这样结合2者的优势就能给到用户最正确最合理的反馈结果。

Function Calling 流程

实现 Function Calling 需要以下几步：

1. 预定义需要调用的Function函数

1. 将定义好的Function以及需要的Parameter传入大模型

1. 解析大模型返回结果，调用相应的Function获取实时结果

1. 将Function返回的结果重新传给大模型，返回统一的NLG结果

具体的流程如下图所示：

接下来我们用查询实时天气为例，将这4步依次完成。

1. 定义获取实时天气Function

首先需要查询实时天气的接口API，我使用的是免费的 心知天气API ，返回的JSON合适如下：

{
    'results': [
            {
                'location': {
                'id': 'WTW3SJ5ZBJUY',
                'name': '上海',
                'country': 'CN',
                'path': '上海,上海,中国',
                'timezone': 'Asia/Shanghai',
                'timezone_offset': '+08:00'
            },
            'now': {
                 'text': '多云',
                 'code': '4',
                 'temperature': '22'
             }
         }
    ]
}

可以看出需要解析出 now 字段中的 text 和 temperature 值，具体实现代码如下：

import json
import requests


def get_current_weather(location):
    url = "https://api.seniverse.com/v3/weather/now.json?key=你的心知天气API Key&location=" + location + "&language=zh-Hans&unit=c"
    response = requests.get(url)
    if response.status_code == 200:
        data = response.json()
        weather = data['results'][0]['now']['text']
        temp = data['results'][0]['now']['temperature']
        return json.dumps({"location": location, "weather": weather, "temperature": temp})
    else:
        return json.dumps({"location": location, "error": "获取实时天气数据失败!"})

上述代码中的key需要使用你自己申请的API Key。

2. 将Function传入大模型

2.1 声明大模型 function list

功能函数Function定义好之后，就需要通过function list将其传给大模型。function list 的具体格式根据你所选择的大模型的不同，可能会有所差异。具体需要按照各自大模型的官方文档来集成。这篇文章我使用的是通义千问大模型，格式如下：

functions = [
    # 获取指定城市的天气
    {
        "type": "function",
        "function": {
            "name": "get_current_weather",
            "description": "当你想查询指定城市的天气时非常有用。",
            "parameters": {  # 查询天气时需要提供位置，因此参数设置为location
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "城市或县区，比如北京市、杭州市、余杭区等。"
                    }
                }
            },
            "required": [
                "location"
            ]
        }
    }
]

上述代码中我们定义了一个 functions 数组，在这个数组中有一个结构体 type类型为 function。然后在这个 function 中有2项内容很重要：name 和 description。

name 代表函数Function的名字；description 是告诉大模型什么时候需要返回需要调用当前function的结果。

另外，因为我们定义的 get_current_weather 函数需要传入参数 location，所以在上述代码中我们还需要声明一下 parameters。这样大模型就可以根据上下文返回给调用方合理的参数。

2.2 声明大模型接口调用的函数

然后调用相应大模型的接口，传入上述格式代码。根据通义千问官方文档具体传入方式如下：

import dashscope
from dashscope import Generation
import json
import requests
# 调用通义千问接口
def query_from_qwen(messages):
    response = Generation.call(
        api_key="你的通义千问API Key",
        model='qwen-plus',
        messages=messages,
        tools=functions,
        seed=random.randint(1, 10000),  # 设置随机数种子seed，如果没有设置，则随机数种子默认为1234
        result_format='message'  # 将输出设置为message形式
    )
    return response

2.3 构建messages执行query_from_qwen

代码如下：

# 模拟用户输入：青岛天气
messages = [
    {"content": "青岛天气", "role": "user"}
]
# 执行query_from_qwen,打印结果
llm_response = query_from_qwen(messages)
print(llm_response)

大模型返回结果

上图中可以看出，大模型返回了 tool_calls 字段。说明针对用户输入"青岛天气"，已经正确理解出需要调用 get_current_weather function，并且正确提取出参数是 青岛市 。

3. 解析大模型结果调用Function

接下来就是解析上图中的 tool_calls 信息，并手动调用 get_current_weather 函数。

def parse_llm_response(llm_response):
    assistant_output = llm_response.output.choices[0].message
    if 'tool_calls' not in assistant_output:  # 如果模型判断无需调用工具，则将assistant的回复直接打印出来，无需进行模型的第二轮调用
        print(f"最终答案：{assistant_output.content}")
        return
    # 如果模型选择的工具是get_current_weather
    elif assistant_output.tool_calls[0]['function']['name'] == 'get_current_weather':
        tool_info = {"name": "get_current_weather", "role": "tool"}
        location = json.loads(assistant_output.tool_calls[0]['function']['arguments'])['location']
        tool_info['content'] = get_current_weather(location)
    return tool_info

将 get_current_weather 函数返回的数据包装到 tool_info 中，tool_info 结果如下：

{
  "name": "get_current_weather",
  "role": "tool",
  "content": {
    "location": "青岛",
    "weather": "多云",
    "temperature": "12"
}

最后一步就是将此 tool_info 重新返回给大模型，并返回最终结果。

4. 大模型返回最终NLG结果

将第 3 步返回的 tool_info 信息重新添加到 messages 中，并重新调用 query_from_qwen

messages.append(tool_info)
llm_final_response = query_from_qwen(messages)
print(f"\n大模型最终输出信息：{llm_final_response}\n")

最终打印结果如下：

最终大模型根据上下文理解以及传入的天气信息，返回了最合适的NLG结果。只需要将output中的content值解析出来并反馈给用户即可。

如果你喜欢本文

长按二维码关注