一、Function calling 介绍

现在，开发者可以向 gpt-4-0613 和 gpt-3.5-turbo-0613 描述函数，并让模型智能地选择输出一个包含调用这些函数所需参数的 JSON 对象。 这是一种更可靠地将 GPT 的能力与外部工具和 API 连接起来的新方式。

这些模型经过微调，旨在检测何时需要调用函数（取决于用户的输入），并以符合函数签名的方式响应 JSON。函数调用使开发者能够更可靠地从模型中获得结构化数据。例如，开发者可以：

创建通过调用外部工具（例如 ChatGPT 插件）回答问题的聊天机器人。

将查询如“给 Anaya 发电子邮件，看看她是否想在下周五喝咖啡”转换为函数调用，如send_email(to: string, body: string)，或者“波士顿的天气如何？”转换为 get_current_weather(location: string, unit: ‘celsius’ | ‘fahrenheit’)。

将自然语言转换为 API 调用或数据库查询。

将“本月我的前十位客户是谁？”转换为内部 API 调用，例如 get_customers_by_revenue(start_date: string, end_date: string, limit: int)，或者“上个月 Acme 公司下了多少订单？”转换为使用 sql_query(query: string) 的 SQL 查询。

从文本中提取结构化数据。

定义一个名为 extract_people_data(people: [{name: string, birthday: string, location: string}]) 的函数，以提取在维基百科文章中提到的所有人。

这些用例是通过我们 /v1/chat/completions 端点中的新 API 参数 functions 和 function_call 实现的，允许开发者通过 JSON Schema 向模型描述函数，并选择性地要求它调用特定的函数。在我们的开发者文档中开始，并且如果您发现函数调用可以改进的情况，请添加到 evals。

二、Function calling 案例

获取天气 （CURL方式）

• 通过CURL调用
• 只有一个参数传递

curl https://api.openai.com/v1/chat/completions -u :$OPENAI_API_KEY -H 'Content-Type: application/json' -d '{
"model": "gpt-3.5-turbo-0613",
"messages": [
{"role": "user", "content": "What is the weather like in Boston?"}
],
"functions": [
{
"name": "get_current_weather",
"description": "Get the current weather in a given location",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and state, e.g. San Francisco, CA"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"]
}
},
"required": ["location"]
}
}
]
}'

返回结果为：

get_current_weather("Boston")

判断用户之间的关系（Python Requests）

• Python HTTP调用
• 有两个参数传递

import requests
import json
url = "请求地址"
headers = {
'Content-Type': 'application/json',
'Authorization': 'Bearer API Key'
}
data = {
"model": "gpt-3.5-turbo-0613",
"messages": [
{"role": "user", "content": "李华和小王是不是认识？"},
],
"functions": [
{
"name": "get_connection",
"description": "判断用户1和用户2 是否为朋友关系",
"parameters": {
"type": "object",
"properties": {
"user_id1": {
"type": "string",
"description": "用户ID 1"
},
"user_id2": {
"type": "string",
"description": "用户ID 2"
},
},
"required": ["user_id1", "user_id2"]
}
}
]
}
data = requests.post(url, headers=headers, json=data).json()
data

返回结果为：

get_connection("李华", "小王")

获取linux执行命令 (API)

import openai
import json
openai.api_base = '访问地址'
openai.api_key = 'key'
example_user_input = "in linux, to install cuda, cudnn and pytorch"
completion = openai.ChatCompletion.create(
model="gpt-3.5-turbo-0613",
messages=[{"role": "user", "content": example_user_input}],
functions=[
{
"name": "get_commands",
"description": "Get a list of bash commands on an Ubuntu machine",
"parameters": {
"type": "object",
"properties": {
"commands": {
"type": "array",
"items": {
"type": "string",
"description": "A terminal command string"
},
"description": "List of terminal command strings to be executed"
}
},
"required": ["commands"]
}
}
],
function_call={"name": "get_commands"},
)
reply_content = completion.choices[0].message
reply_content

返回结果为：

get_commands(
["sudo apt-get update", "sudo apt-get install nvidia-cuda-toolkit", "sudo apt-get install libcudnn8", "pip install torch torchvision"]
)

三、注意事项

1. Function calling暂时只能搭配gpt-4-0613 和 gpt-3.5-turbo-0613两个模型进行使用，并且GPT4的效果会更好。
2. 当通过英文进提问时， Function calling的效果更好。因为 Function calling本身也是通过大模型进行预测的。
3. 通过API访问时候， Function calling效果更好，也更加容易生成函数调用结果，而不是纯对话内容。
4. 在对话时可以传入多个待选的函数，GPT会选择其中一个，并生成其对应的参数。
5. GPT可以为一个函数生成对应的多个传参，但无法同时生成多个函数调用逻辑。
6. Function calling比较适合结合函数 & 参数定义（数值、浮点数、布尔型、日期）生成调用，并不擅长为list参数生成具体的取值。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】