ChatGPT 更新：大杀器！函数调用示范

自ChatGPT 3.5/4 双双升级：更长，更便宜，更开放，更可控发出去之后，有朋友问怎么接入 API。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

什么是函数调用？

函数调用指 Chat-GPT 模型会自动逻辑判断后，调用在代码中预先定义好的某个或者多个函数，获得返回的信息后，再用自然语言形式回复用户。

以官方的回答天气情况时，调用天气网站的提供的API来回答用户问题举例。‍‍‍‍‍

调用过程两部分：

一、定义函数，

functions = [{"name": "get_current_weather","description": "获取指定地点的当前天气","parameters": {"type": "object","properties": {"location": {"type": "string","description": "城市和州，例如：San Francisco, CA",},"unit": {"type": "string", "enum": ["washington", "boston"]},},"required": ["location"],},}]

二、发消息给ChatGPT，模型决定要不要调用，调用则把外部API返回信息再发给模型，模型把包括函数返回信息的完整回复返回给用户。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

全部完整代码如下：

import openai
import json
Import os
openai.api_key = os.getenv("OPENAI_API_KEY")// 此函数为固定返回相同天气的示例的函数，实际应用中替换成你需要调用的外部API
def get_current_weather(location, unit="boston"):"""获取指定地点的当前天气"""weather_info = {"location": location,"temperature": "72","unit": unit,"forecast": ["sunny", "windy"],}return json.dumps(weather_info)def chat(content):content = "What's the weather like in Boston?"# 1：将用户的提问和函数定义发送给GPTmessages = [{"role": "user", "content": content}]functions = [{"name": "get_current_weather","description": "获取指定地点的当前天气","parameters": {"type": "object","properties": {"location": {"type": "string","description": "城市和州，例如：San Francisco, CA",},"unit": {"type": "string", "enum": ["washington", "boston"]},},"required": ["location"],},}]# 2：获取 GPT 的返回response = openai.ChatCompletion.create(model="gpt-3.5-turbo-0613",messages=messages,functions=functions,function_call="auto",  # 是否调用函数，auto是默认值，可以不指定)response_message = response["choices"][0]["message"]# 3：GPT会判断是否需要调用函数，是则返回调用标记为真。if response_message.get("function_call"):# 4：调用函数available_functions = {# 此处可以多个函数"get_current_weather": get_current_weather,}  function_name = response_message["function_call"]["name"]fuction_to_call = available_functions[function_name]function_args = json.loads(response_message["function_call"]["arguments"])# 5：获得函数返回信息function_response = fuction_to_call(location=function_args.get("location"),unit=function_args.get("unit"),)# 6：用返回信息封装助手信息结构体messages.append(response_message)  # 将助手的回复加入对话messages.append({"role": "function","name": function_name,"content": function_response,})  # 7: 将封装好，包含函数返回信息再发送给GPT，并获得GPT自然语言形式的回答second_response = openai.ChatCompletion.create(model="gpt-3.5-turbo-0613",messages=messages,)  # 从GPT获取一个新的响应，这个响应可以看到函数的响应return second_response# 输出应答
print(run_conversation())

整个用户交互及程序的流程如下：

用户问一个问题，例如“波士顿现在的天气怎么样？”
这个问题被发送给GPT模型，并告知其有一个可以调用的函数get_current_weather。
GPT模型确定它需要调用这个函数来回答用户的问题，所以它返回一个“函数调用”的请求，指定要调用的函数名称和参数。
代码中的运行会查找对应的函数（在这个例子中是get_current_weather），并用GPT模型指定的参数调用它。
函数返回天气信息，这个信息被发送回GPT模型。
GPT模型使用这个天气信息来生成一个回答，例如“波士顿现在的天气是晴朗的，温度是72度”。

也有朋友问：它实际应用场景是什么样的？‍

问了一下 ChatGPT：‍‍‍‍‍‍

填充模板：可以将特定的信息填充到预定义的模板中，生成个性化的文本，如生成定制化的邮件、通知或报告。

条件逻辑：用于在生成的文本中实现条件分支和逻辑判断，根据特定条件生成不同的文本输出，增强了文本的灵活性和可定制性。

变量和状态管理：可以引入变量和状态管理，使得文本可以跟踪和操作特定的信息，实现更加复杂的任务和交互。

上下文控制：可以在生成文本的过程中引入上下文信息，控制模型对上下文的理解和应答，提高文本的连贯性和一致性。

多模态输入和输出：可以实现多模态数据（如文本、图像、视频等）的输入和输出，更加丰富和多样化的文本生成和理解任务。

ChatGPT

官方给了三个应用场景举例：