简介
Function Calling 是一种让 Chat Completion 模型调用外部函数的能力,可以让模型不仅仅根据自身的数据库知识进行回答,而是可以额外挂载一个函数库,然后根据用户提问去函数库检索,按照实际需求调用外部函数并获取函数运行结果,再基于函数运行结果进行回答,或者是通过函数调用来调用工具。
Qwen 官方给出的 Function Calling 方法是基于 openai 接口的,这篇文章就从如何利用 Qwen 仿 OpenAI 接口开始写起。
OpenAI_API
在 Qwen 官方给出的代码中有一个 openai_api.py 脚本,可以在 _get_args() 函数中对参数进行配置后运行 (主要需要修改模型路径)。
def _get_args():parser = ArgumentParser()parser.add_argument("-c","--checkpoint-path",type=str,default="qwen/Qwen-1_8B-Chat",help="Checkpoint name or path, default to %(default)r",)parser.add_argument("--api-auth", help="API authentication credentials")parser.add_argument("--cpu-only", action="store_true", help="Run demo with CPU only")parser.add_argument("--server-port", type=int, default=8000, help="Demo server port.")parser.add_argument("--server-name",type=str,default="0.0.0.0",help="Demo server name. Default: 127.0.0.1, which is only visible from the local computer."" If you want other computers to access your server, use 0.0.0.0 instead.",)parser.add_argument("--disable-gc", action="store_true",help="Disable GC after each response generated.")args = parser.parse_args()return args
修改完成后运行:
python openai_api.py
接着可以运行以下代码以调用接口进行对话:
import openai
import jsonopenai.api_base = 'http://localhost:8000/v1'
openai.api_key = 'none'def call_qwen(messages):response = openai.ChatCompletion.create(model='Qwen', messages=messages)response = response.choices[0]['message']response = json.loads(json.dumps(response, ensure_ascii=False))print('input:', messages)print('output:', response)return responseif __name__ == '__main__':messages = [{'role': 'user', 'content': '你好'}]response = call_qwen(messages)
Function Calling
首先介绍一下 Function Calling 的具体流程。
- 使用用户查询和函数参数中定义的一组外部函数库。
- 模型可以选择调用任意外部函数;如果是这样,内容将是符合自定义架构的字符串化 JSON 对象(注意:模型可能会生成无效的 JSON 或幻觉参数)。
- 在代码中将字符串解析为 JSON,并使用提供的参数调用函数(如果存在)。
- 通过将函数响应追加为新消息来再次调用模型,并让模型将结果汇总返回给用户。
外部函数库
首先我们需要定义一个外部函数库,这个函数库是一个列表,可以添加多个函数,列表中每个函数都为 json 格式,每个函数格式固定,以下是一个关于控制开关灯光的函数例子。
functions = [{"name_for_human": "灯光控制","name_for_model": "contral","description_for_model": "灯光控制可以帮助用户开关灯"+ " Format the arguments as a JSON object.","parameters": [{"name": "switch","description": "用于控制灯的开关,若为True则为开灯,若为false则为关灯","required": True,"schema": {"type": "bool"},}],}
]# 各参数作用# "name_for_human":函数名字(对人类)
# "name_for_model":函数名字(对模型)
# "description_for_model":描述函数的作用,让模型能够判断什么时候调用这个函数
# "parameters":返回结果中的参数,该键对应的值为一个列表,可以返回多个参数
# "name":参数的名字
# "description":参数的描述,用于让模型判断这个参数填入什么
# "required":这个参数是否是必要的
# "schema":可以指定这个参数的数据类型
调用函数库方式如下,这里创建了一个 contral 函数假装调用了接口来进行开关灯操作:
import openai
import jsonopenai.api_base = "http://localhost:8006/v1"
openai.api_key = "none"def contral(response):if response.choices[0].message.function_call:result = eval(response.choices[0].message.function_call.arguments)switch = "开灯" if result["switch"] else "关灯"print(switch)def call_qwen(messages, functions=None):print(messages)if functions:response = openai.ChatCompletion.create(model="Qwen", messages=messages, functions=functions)else:response = openai.ChatCompletion.create(model="Qwen", messages=messages)print(response)result = response.choices[0].message.function_callif result:if result.name == "contral":contral(response)print(response.choices[0].message.content)return responseif __name__ == "__main__:functions = [{"name_for_human": "灯光控制","name_for_model": "contral","description_for_model": "灯光控制可以帮助用户开关灯"+ " Format the arguments as a JSON object.","parameters": [{"name": "switch","description": "用于控制灯的开关,若为True则为开灯,若为false则为关灯","required": True,"schema": {"type": "bool"},}],}]messages = [{"role": "user", "content": "帮我开一下灯"}]call_qwen(messages, functions)
返回结果如下:
# messages
[{'role': 'user', 'content': '帮我开一下灯'}]# response
{"model": "Qwen","object": "chat.completion","choices": [{"index": 0,"message": {"role": "assistant","content": "Thought: \u9700\u8981\u4f7f\u7528\u706f\u5149\u63a7\u5236API\u6765\u5b9e\u73b0\u5f00\u706f\u64cd\u4f5c","function_call": {"name": "contral","arguments": "{\"switch\": True}"}},"finish_reason": "function_call"}],"created": 1706839240
}# switch
开灯# response.choices[0].message.content(json 会导致"content"中的中文会变为Unicode,取出来后就是正常的)
Thought: 需要使用灯光控制API来实现开灯操作
Function Calling 是一种非常有用的功能,可以让Chat Completion模型更加灵活地应对各种场景比如自动发邮件、控制机械臂、上网搜索用户提问中的相关信息后回答,调用其他厂家的 api 接口……通过调用外部函数进行输出格式化,可以让Chat Completion模型更加贴合实际需求,并提供更加优质、高效、个性化的服务。怎么用就取决于大家的想象力了。
大模型&AI产品经理如何学习
求大家的点赞和收藏,我花2万买的大模型学习资料免费共享给你们,来看看有哪些东西。
1.学习路线图
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
2.视频教程
网上虽然也有很多的学习资源,但基本上都残缺不全的,这是我自己整理的大模型视频教程,上面路线图的每一个知识点,我都有配套的视频讲解。
(都打包成一块的了,不能一一展开,总共300多集)
因篇幅有限,仅展示部分资料,需要点击下方图片前往获取
3.技术文档和电子书
这里主要整理了大模型相关PDF书籍、行业报告、文档,有几百本,都是目前行业最新的。
4.LLM面试题和面经合集
这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓