随着人工智能技术的快速发展，ChatGPT 不再仅仅是一个回答问题的机器人，它已经进化为可以执行复杂任务的强大工具。这一切的背后，离不开它的 Function Calling（函数调用）机制。本文将为你详细解析这一扩展功能，揭示 ChatGPT 如何在对话过程中调用预定义函数，完成特定任务，提供实时、个性化的服务。
一、 背景与概念ChatGPT 的 Function Calling 机制允许模型调用外部函数获取信息或执行操作。这种机制不仅增强了模型的功能，使其能够处理更复杂的任务，还大大扩展了 AI 在实际应用中的能力范围。不再局限于静态知识库的回答，ChatGPT 通过 Function Calling 可以动态获取最新信息，执行特定操作，极大提高了实用性和灵活性。
二、主要组件Function Calling 机制主要由以下几个关键组件构成：
函数定义：预先定义可调用的函数，包括名称、参数类型和返回值类型等。函数调用请求：用户或系统发出的调用请求，包含函数名称及所需参数。函数执行器：实际执行函数的组件，可能是外部的 API 或本地逻辑处理器。结果返回：函数执行完毕后，返回结果给 ChatGPT，继续对话。三、 Function Calling 机制详细解析
一个应用如何与OpenAI的API进行交互，通过发送函数定义，接收参数，调用函数，再将结果与其他信息结合生成最终的回答，并返回给用户。下面是每一步的详细说明：
一个应用如何与 OpenAI 的 API 进行交互？以下是详细的步骤说明：
传入函数定义：应用服务将函数定义传递给 OpenAI。返回调用参数：OpenAI 返回调用函数所需的参数。调用函数：应用服务使用这些参数调用相应的函数。传入结果：函数调用结果被传递回 OpenAI。组合回答：OpenAI 将函数结果与其他相关信息结合，生成完整的回答。返回答案：最终回答通过应用服务返回给用户。四. 安全与控制为了确保安全性和控制，函数调用机制通常包括以下措施：
权限控制：仅允许调用经过安全审查的函数。输入验证：验证输入参数的合法性，防止恶意输入。错误处理：处理函数调用过程中可能出现的错误，如网络错误、参数错误等。五. 示例应用这种机制在许多应用场景中非常有用，例如：
信息查询：调用外部 API 获取天气、新闻、股票价格等实时信息。操作执行：调用函数执行系统操作，如发送邮件、创建日历事件等。数据处理：调用数据处理函数，如数据分析、图表生成等。六、案例实现
1、调用本地函数计算一个数学表达式的值
import openaiimport osfrom math import *from icecream import icimport json# 加载 .env 文件from dotenv import load_dotenv, find_dotenv_ = load_dotenv(find_dotenv())# 从环境变量中获得你的 OpenAI Keyopenai.api_key = os.getenv('OPENAI_API_KEY')openai.api_base = os.getenv('OPENAI_API_URL')model = os.getenv('MODEL')# 基于 prompt 生成文本def get_completion3(messages, model=model): response = openai.ChatCompletion.create( # 注意，以前的 openai.ChatCompletion 要换成 openai.chat.completions model=model, messages=messages, temperature=0, # 模型输出的随机性，0 表示随机性最小 tools=[{ # 用 JSON 描述函数。可以定义多个。由大模型决定调用谁 "type": "function", "function": { "name": "sum", "description": "计算一组数的加和", "parameters": { "type": "object", "properties": { "numbers": { "type": "array", "items": { "type": "number" } } } } } }], ) return response.choices[0].messagedef test_promopt(): prompt = "Tell me the sum of 1, 2, 3, 4, 5, 6, 7, 8, 9, 10." #prompt = "桌上有 2 个苹果，四个桃子和 3 本书，一共有几个水果？" #prompt = "1+2+3...+99+100" messages = [ {"role": "system", "content": "你是一个小学数学老师，你要教学生加法"}, {"role": "user", "content": prompt} ] response = get_completion3(messages) # 把大模型的回复加入到对话历史中 if (response.content is None): # 解决 OpenAI 的一个 400 bug response.content = "null" messages.append(response) # 如果返回的是函数调用结果，则打印出来 if (response.tool_calls is not None): # 是否要调用 sum tool_call = response.tool_calls[0] if (tool_call.function.name == "sum"): # 调用 sum args = json.loads(tool_call.function.arguments) result = sum(args["numbers"]) # 把函数调用结果加入到对话历史中 messages.append( { "tool_call_id": tool_call.id, # 用于标识函数调用的 ID "role": "tool", "name": "sum", "content": str(result) # 数值result 必须转成字符串 } ) # 再次调用大模型 ic("=====最终回复=====") ic(get_completion3(messages).content)if __name__ == '__main__': test_promopt()输出
ic| '=====最终回复====='ic| get_completion3(messages).content: 'The sum of 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 is 55.'2、通过代码套代码实现可以算任意数学表达式需求
import openaiimport osfrom math import *from icecream import icimport jsonfrom math import *# 加载 .env 文件from dotenv import load_dotenv, find_dotenv_ = load_dotenv(find_dotenv())# 从环境变量中获得你的 OpenAI Keyopenai.api_key = os.getenv('OPENAI_API_KEY')openai.api_base = os.getenv('OPENAI_API_URL')model = os.getenv('MODEL')# 基于 prompt 生成文本def get_completion(messages, model=model): response = openai.ChatCompletion.create( # 注意，以前的 openai.ChatCompletion 要换成 openai.chat.completions model=model, messages=messages, temperature=0, # 模型输出的随机性，0 表示随机性最小 tools=[{ "type": "function", "function": { "name": "calculate", "description": "计算一个数学表达式的值", "parameters": { "type": "object", "properties": { "expression": { "type": "string", "description": "a mathematical expression in python grammar.", } } } } }], ) return response.choices[0].messagedef test_promopt(): #prompt = "从1加到10" prompt = "3的平方根乘以2再开平方" messages = [ {"role": "system", "content": "你是一个数学家，你可以计算任何算式。"}, {"role": "user", "content": prompt} ] response = get_completion(messages) if (response.content is None): # 解决 OpenAI 的一个 400 bug response.content = "null" messages.append(response) # 把大模型的回复加入到对话中 ic("=====GPT回复=====") ic(response) # 如果返回的是函数调用结果，则打印出来 if (response.tool_calls is not None): # 是否要调用 sum tool_call = response.tool_calls[0] if (tool_call.function.name == "calculate"): # 调用 calculate args = json.loads(tool_call.function.arguments) result = eval(args["expression"]) ic("=====函数返回=====") ic(result) # 把函数调用结果加入到对话历史中 messages.append( { "tool_call_id": tool_call.id, # 用于标识函数调用的 ID "role": "tool", "name": "calculate", "content": str(result) # 数值result 必须转成字符串 } ) # 再次调用大模型 ic("=====最终回复=====") ic(get_completion(messages).content)if __name__ == '__main__': test_promopt()输出
ic| '=====GPT回复====='ic| response: <OpenAIObject at 0x1a97b6d3480> JSON: { "role": "assistant", "content": "null", "tool_calls": [ { "id": "call_jSVjTMqMIMUHYCpDisvpYInp", "type": "function", "function": { "name": "calculate", "arguments": "{\"expression\":\"((3**0.5)*2)**0.5\"}" } } ] }ic| '=====函数返回====='ic| result: 1.8612097182041991ic| '=====最终回复====='ic| get_completion(messages).content: '3的平方根乘以2再开平方的结果约为1.8612。'3、从一段文字中抽取联系人姓名、地址和电话，用 Function Calling 获取 JSON 结构轻松解决，在没有大模型之前非常难解决的问题
import openaiimport osfrom math import *from icecream import icimport jsonfrom math import *import requestsimport logging# 设置日志记录配置logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')# 加载 .env 文件from dotenv import load_dotenv, find_dotenv_ = load_dotenv(find_dotenv())# 从环境变量中获得你的 OpenAI Keyopenai.api_key = os.getenv('OPENAI_API_KEY')openai.api_base = os.getenv('OPENAI_API_URL')model = os.getenv('MODEL')amap_key = os.getenv('GAODE_MAP_API_KEY')def get_completion(messages, model=model): response = openai.ChatCompletion.create( model=model, messages=messages, temperature=0, # 模型输出的随机性，0 表示随机性最小 tools=[{ "type": "function", "function": { "name": "add_contact", "description": "添加联系人", "parameters": { "type": "object", "properties": { "name": { "type": "string", "description": "联系人姓名" }, "address": { "type": "string", "description": "联系人地址" }, "tel": { "type": "string", "description": "联系人电话" }, } } } }], ) return response.choices[0].messagedef test_promopt(): prompt = "帮我寄给星城老谭，地址是湖南省长沙市岳麓区湘江壹号8楼，电话1887486XXXX。" messages = [ {"role": "system", "content": "你是一个联系人录入员。"}, {"role": "user", "content": prompt} ] response = get_completion(messages) logging.info("====GPT回复====") logging.info(response) args = json.loads(response.tool_calls[0].function.arguments) logging.info("====函数参数====") logging.info(args)if __name__ == '__main__': test_promopt()输出
2024-06-05 13:31:30,121 - INFO - ====GPT回复====2024-06-05 13:31:30,124 - INFO - { "role": "assistant", "content": null, "tool_calls": [ { "id": "call_QEnFRbZRBs2Eww4YbUxP7oKv", "type": "function", "function": { "name": "add_contact", "arguments": "{\"name\":\"\u661f\u57ce\u8001\u8c2d\",\"address\":\"\u6e56\u5357\u7701\u957f\u6c99\u5e02\u5cb3\u9e93\u533a\u6e58\u6c5f\u58f9\u53f78\u697c\",\"tel\":\"18874868888\"}" } } ]}2024-06-05 13:31:30,124 - INFO - ====函数参数====2024-06-05 13:31:30,125 - INFO - {'name': '星城老谭', 'address': '湖南省长沙市岳麓区湘江壹号8楼', 'tel': '1887486XXXX'}七、总结
ChatGPT 的 Function Calling 机制极大地扩展了其功能，使其能够在对话中动态调用外部函数，提供实时、个性化和互动的服务。这一机制不仅提升了用户体验，也为开发者提供了强大的工具，帮助他们构建更智能、更强大的对话系统和应用。理解并善用这一机制，能让你在 AI 应用开发中占据领先地位。
通过这篇文章，希望你对 ChatGPT 的 Function Calling 机制有了更深入的了解。未来，随着这一技术的不断发展，我们可以期待更多令人惊喜的应用场景。
