ChatGPT迎来新的开发方式为什么功能让开发者为:狂喜

6月14日凌晨，OpenAI发布了几项重大更新，其中就包括一项名为「函数调用」的功能更新。

这项全新功能得到了众多网友——尤其是开发者的青睐，纷纷表示这将极大地帮助他们更好地使用API，以及更好地与自己的工具无缝集成。

那么，函数调用功能究竟有什么神奇之处，能让众多开发者为之狂喜呢？

通过阅读本文,你将:

1. 了解函数调用的基本原理，以及可运用的场景；
2. 了解函数调用功能的基本实现步骤；
3. 了解函数调用请求内容的格式规范，以及参数意义；
4. 了解函数调用响应内容的提取方法，以及结果判断；
5. 了解函数调用对于开发者的意义，以及可能的风险。

函数调用是什么？

函数调用是一种让模型能够智能地选择并执行外部函数的新方法。

开发者只需要向模型描述他们提供的函数，模型就能根据用户输入，判断需要调用哪一个函数，并输出一个包含所需参数的 JSON 对象。

这样，就能使 GPT 的功能与外部的工具和 API 更紧密地连接起来。

新的模型经过微调，既能识别用户输入中的函数调用意图，又能生成符合函数签名的 JSON 对象。

函数调用使开发者能够更可靠地从模型中获取结构化的数据，比如：

创建调用外部工具来回答问题的聊天机器人

例如：

输入	函数	外部工具
给 Anya 发电子邮件，看看她下周五是否想喝咖啡	send_email(to: string, body: string)	邮件发送工具
波士顿的天气怎么样？	get_current_weather(location: string, unit: 'celsius' | 'fahrenheit')	天气查询工具

将自然语言转换为 API 调用或数据库查询

例如：

输入	函数	类型
我的本月前十名客户分别是谁？	get_customers(min_revenue: int, created_before: string, limit: int)	内部API查询
Acme, Inc. 上个月下了多少订单？	sql_query(query: string)	数据库查询

从文本中提取结构化数据

例如：

文本	函数	目的
(某篇维基百科文章)	extract_people_data(people: [{name: string, birthday: string, location: string}])	提取文章中提到的所有人

函数调用的基本步骤顺序

步骤1：使用函数和用户输入调用模型

我们需要将用户输入的指令，以及我们提供的一组预定义的函数，作为参数传入并调用模型。

# 一个虚拟的函数示例，总是返回相同的天气信息
# 在真实的场景中，这可能是你的后端 API 或者外部 API
def get_current_weather(location, unit="fahrenheit"):
    """Get the current weather in a given location"""
    weather_info = {
        "location": location,
        "temperature": "72",
        "unit": unit,
        "forecast": ["sunny", "windy"],
    }
    return json.dumps(weather_info)


def run_conversation():
    # 将会话历史与可用的函数发送到 GPT
    messages = [{"role": "user", "content": "What's 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"],
            },
        }
    ]
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo-0613",
        messages=messages,
        functions=functions,
        function_call="auto",  # auto 是默认值，但我们会明确说明
    )

步骤2：使用模型响应调用 API

模型会根据用户输入，选择一个合适的函数，并返回一个包含参数的JSON字符串作为响应。

我们需要先将模型返回的字符串解析为JSON对象，再调用相应的函数并传入需要的参数。

    response_message = response["choices"][0]["message"]

    # 检查 GPT 是否要调用函数
    if response_message.get("function_call"):
        # 调用函数
        # 注意：JSON 响应不一定总是有效，务必处理错误
        available_functions = {
            "get_current_weather": get_current_weather,
        }  # 在这个例子中只有一个函数，但你可以有多个
        function_name = response_message["function_call"]["name"]
        fuction_to_call = available_functions[function_name]
        function_args = json.loads(response_message["function_call"]["arguments"])
        function_response = fuction_to_call(
            location=function_args.get("location"),
            unit=function_args.get("unit"),
        )

步骤3：将响应发送回模型进行汇总

最后，我们将函数的返回结果作为新的消息附加到会话中，然后再次调用模型，让模型生成一个更完整的回复，并返回给用户。

        # 将函数调用和函数响应的信息发送给GPT
        messages.append(response_message)  # extend conversation with assistant's reply
        messages.append(
            {
                "role": "function",
                "name": function_name,
                "content": function_response,
            }
        )  # 用函数响应扩展会话
        second_response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo-0613",
            messages=messages,
        )  # 从 GPT 获得一个新的回复，它可以在其中看到函数响应的内容
        return second_response['choices'][0]['message']['content']
        
print(run_conversation())

新的回复内容如下：

The weather in Boston is currently sunny and windy with a temperature of 72 degrees.

与函数调用相关的API说明

Chat Completions API 是一个专门为多轮对话设计的API，它可以接收一个消息列表作为输入，并返回模型生成的消息作为输出。

典型请求格式

import openai

openai.ChatCompletion.create(
  model="gpt-3.5-turbo",
  messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Who won the world series in 2020?"},
        {"role": "assistant", "content": "The Los Angeles Dodgers won the World Series in 2020."},
        {"role": "user", "content": "Where was it played?"}
    ]
)

model参数

表示要使用的模型ID，不同版本的模型支持不同的API功能。比如要支持函数调用功能，则必须是 gpt-3.5-turbo-0613 或 gpt-4-0613 及之后的版本。

messages参数

表示到目前为止，构成会话的消息列表。消息列表是一组消息对象，其中每个对象都包含一个角色和一条内容。

角色	职责	可选性
system(系统消息)	指定模型整体的语言风格或者助手的行为	可选
assistant(助手消息)	根据用户消息要求内容，以及系统消息的设定，输出一个合适的回应	可选
user(用户消息)	给出一个具体的指令	可选

支持函数调用的请求格式

import openai

messages = [{"role": "user", "content": "What's 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"],
        },
    }
]
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo-0613",
    messages=messages,
    functions=functions,
    function_call="auto",  
)

functions参数

用于提供函数规范，使模型能够生成符合所提供规范的函数参数。

参数	说明
name	要调用的函数的名称
description	对函数作用的描述
parameters	函数接受的参数，以 JSON 对象描述

function_call参数

用于控制模型如何响应函数调用。

可选值	说明
none	强制模型不使用任何函数
{"name":\ "my_function"}	强制模型调用指定函数
auto(默认值)	由模型自己决定何时调用哪个函数

典型响应格式

{
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "message": {
        "content": "The 2020 World Series was played in Texas at Globe Life Field in Arlington.",
        "role": "assistant"
      }
    }
  ],
  "created": 1677664795,
  "id": "chatcmpl-7QyqpwdfhqwajicIEznoc6Q47XAyW",
  "model": "gpt-3.5-turbo-0613",
  "object": "chat.completion",
  "usage": {
    "completion_tokens": 17,
    "prompt_tokens": 57,
    "total_tokens": 74
  }
}

content参数

在 Python 中，可以使用 response['choices'][0]['message']['content'] 提取来自助手消息的回复。

finish_reason参数

每个响应都会包含一个 finish_reason，其可能值为：

可能值	说明
stop	API 返回完整消息
length	由于参数或标记限制，模型输出不完整
function_call	模型决定调用一个函数
content_filter	由于触发了来自我们内容过滤器的标记，而省略了内容
null	API 响应仍在进行中或未完成

总结

你可能已经发现了，模型实际上并不会执行任何函数的调用。它只会根据用户的输入以及提供的函数，判断需要调用哪一个函数，并输出一个包含所需参数的 JSON 对象。

而开发者才是根据模型输出进行函数调用的真正执行者。

本质上，函数调用和第三方插件一样，都是用来扩展 GPT 模型的功能的，两者都是利用了 GPT 的以下能力：

• 知道何时需要利用外部工具解决问题的能力；
• 输出代码、表格、JSON等结构化数据的能力；

只不过，以前要实现这个目的，还需要借助第三方插件，再由第三方插件调用外部工具或内部API，现在，则相当于省去了第三方插件这一步，直接就可以调用了。

通过把这套函数规范接入到正式的调用流程，可以极大地提升开发 GPT 应用的灵活性，省去编写复杂提示的过程，提升反应速度的同时，也减少出错的可能性。

但是，这种能力也带来了潜在的风险，强烈建议在代表用户采取行动（如发送电子邮件、发布内容、进行购买等）之前，得到用户的进一步确认。

另外，函数是以特定的语法注入到系统消息中的，这意味着函数也会受模型上下文的限制，并计入输入标记的计费规则。建议实际开发中要限制函数的数量，以及为函数参数所提供的文档的长度。

引用

• Function calling and other API updates

• Developer Documentation-Function calling

• API Reference-Create chat completion

• Understanding JSON Schema

• How to call functions with chat models

这篇好文章是转载于：学新通技术网