Вы когда-нибудь застряли в разговоре с кем-то, кто просто не получает то, что вы просите? Как когда вы говорите своему другу, что вам нужна поездка в аэропорт в 6 утра, и они начинают рассказывать вам о своих любимых ресторанах аэропорта вместо этого? Что такое Function Calling? Функциональный звонок - это когда ИИ понимает, что ему нужно использовать внешний инструмент или услугу для выполнения задачи.Это как иметь умного помощника, который не только понимает, что вы хотите, но и знает, когда вытащить свой телефон, чтобы проверить погоду, посмотреть направления или вызвать такси. В техническом плане, функция вызова позволяет ИИ модели определить, когда использовать конкретные функции, какие параметры передать, и как правильно форматировать данные - все от инструкций естественного языка. The Dark Ages: Before Function Calling / Темные века: До призыва функции Если вы хотели, чтобы ИИ использовал внешние инструменты, у вас было два одинаково разочаровывающих варианта: 
 
 
 
 
 Train the AI to generate exact API calls (which often went wrong) 
 
 Write complex code to parse AI responses and extract parameters Это как попытка научить кого-то танцу, описывая движения словами, а не показывая их.Вы скажете что-то вроде: «Мне нужны данные о погоде в Нью-Йорке» и ИИ ответит текстом о погоде, а не фактические данные, которые вам нужны. Я помню, что создал чат-бот, который должен был бронировать бронирование ресторанов. Без функции звонка, он с удовольствием сказал бы пользователям: "Я забронировал ваш стол!" без фактического подключения к любой системе бронирования. Почему функция называет вещи Функциональное вызова мостов перекрывает разрыв между человеческим языком и компьютерными системами. 
 
 
 
 
 
 It's more reliable - the AI structures data exactly as functions need it 
 
 It's more capable - an AI can access real-time data, control devices, or run calculations 
 
 It's more natural - users can make requests in plain language Подумайте о функционном вызове, как о предоставлении ИИ доступа к инструментальному ящику. До этого он мог говорить только о молотках. Простой способ подумать об этом Представьте, что вы находитесь в кафе.Когда вы говорите: «Мне бы понравился средний латте с овсяным молоком», вы по сути «функционируете, звоняя» барристу. Функция может выглядеть так: make_coffee(size="medium", drink_type="latte", milk="oat")
 А бармен знает: 
 
 
 
 
 
 
 Identify the function needed (make a drink) 
 
 Extract the parameters (size, type, milk choice) 
 
 Execute the function (make the coffee) 
 
 Return the result (your drink) Без звонка функции, вы получите ответ, как: «Средний латте с овсяным молоком звучит вкусно!», но не настоящий кофе. Hope you get the idea ! Основная механика за вызовом функций В основе функции вызов работает из-за нескольких технических инноваций, работающих вместе: 
 
 
 
 
 
 
 
 : When you define functions for an AI model to use, you provide a clear schema that includes the function name, description, and parameter specifications with their types and requirements. This JSON schema helps the model understand not just what the function does, but exactly what information it needs to execute properly. Structured Function Definitions 
 
 : The AI model analyzes user input to determine when a function should be called. Modern models like GPT-4 can recognize when a user's request could be satisfied by calling an external function, even when the user doesn't explicitly ask for it. Intent Recognition 
 
 : The model identifies and extracts relevant parameters from natural language, converting them into the structured format required by the function. For example, when someone asks about Microsoft stock, the model knows to extract "MSFT" as the ticker parameter. Parameter Extraction 
 
 : After a function executes, the model receives the result and incorporates it into a natural language response, creating a seamless experience for the user. Response Formatting 
 
 : The model maintains context throughout the conversation, allowing it to use previous function calls and responses to inform new function calls. Context Awareness ️ Код скафолдинга для вызова функций Вот шаблон, который вы можете использовать, чтобы приступить к вызову функций с использованием API OpenAI: from openai import OpenAI
import json

# Initialize the client
client = OpenAI()

# Define your functions
functions = [
    {
        "type": "function",
        "function": {
            "name": "your_function_name",
            "description": "Description of what this function does",
            "parameters": {
                "type": "object",
                "properties": {
                    "param1": {
                        "type": "string",
                        "description": "Description of parameter 1"
                    },
                    "param2": {
                        "type": "integer",
                        "description": "Description of parameter 2"
                    }
                },
                "required": ["param1"]
            }
        }
    }
]

# Your actual implementation of the function
def your_function_name(param1, param2=None):
    # Your code here
    result = f"Did something with {param1}"
    if param2:
        result += f" and {param2}"
    return result

# Process messages and handle function calls
def process_with_function_calling(messages):
    # Get response from the model
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        tools=functions,
        tool_choice="auto"
    )
    
    response_message = response.choices[0].message
    
    # Check if the model wants to call a function
    if response_message.tool_calls:
        # Append the model's response to messages
        messages.append(response_message)
        
        # Process each function call
        for tool_call in response_message.tool_calls:
            function_name = tool_call.function.name
            function_args = json.loads(tool_call.function.arguments)
            
            # Call the function
            if function_name == "your_function_name":
                function_response = your_function_name(
                    function_args.get("param1"),
                    function_args.get("param2")
                )
                
                # Append the function response to messages
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "name": function_name,
                    "content": function_response
                })
        
        # Get a new response from the model
        second_response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages
        )
        
        return second_response.choices[0].message.content
    
    return response_message.content

# Example usage
messages = [{"role": "user", "content": "Your user query here"}]
result = process_with_function_calling(messages)
print(result)
 ☀️ Рабочий пример: Проверка погоды Давайте воплотим это на практике с помощью простой функции проверки погоды с помощью Azure OpenAI: 

from openai import AzureOpenAI
import json
import requests


# Initialize the Azure OpenAI client
client = AzureOpenAI(
    api_key="your key",  
    api_version="2024-10-21",  # Make sure to use a version that supports function calling
    azure_endpoint="your endpoint"
)


# Define the weather function
weather_functions = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get current weather for a location",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "City name, e.g., 'San Francisco'"
                    },
                    "unit": {
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"],
                        "description": "Temperature unit"
                    }
                },
                "required": ["location"]
            }
        }
    }
]

# Implement the weather function
def get_weather(location, unit="celsius"):
    # In a real app, you'd call a weather API here
    # This is a mock implementation
    weather_data = {
        "San Francisco": {"temp": 18, "condition": "Foggy"},
        "New York": {"temp": 22, "condition": "Partly Cloudy"},
        "London": {"temp": 15, "condition": "Rainy"},
        "Tokyo": {"temp": 24, "condition": "Sunny"}
    }
    
    # Get data for the location or return a default
    data = weather_data.get(location, {"temp": 20, "condition": "Unknown"})
    
    # Convert temperature if needed
    temp = data["temp"]
    if unit == "fahrenheit":
        temp = (temp * 9/5) + 32
    
    return f"It's currently {data['condition']} and {temp}°{'F' if unit == 'fahrenheit' else 'C'} in {location}."

# Process messages with weather function
def check_weather(user_query):
    messages = [{"role": "user", "content": user_query}]
    
    # Get response from the model
    response = client.chat.completions.create(
        model="gpt-4o-mini",  # The name you gave your deployment
        messages=[{"role": "user", "content": user_query}],
        tools=weather_functions,
        tool_choice="auto"
    )
    
    response_message = response.choices[0].message
    
    # Check if the model wants to call the weather function
    if response_message.tool_calls:
        # Append the model's response to messages
        messages.append(response_message)
        
        # Process each function call
        for tool_call in response_message.tool_calls:
            function_name = tool_call.function.name
            function_args = json.loads(tool_call.function.arguments)
            
            # Call the weather function
            if function_name == "get_weather":
                function_response = get_weather(
                    function_args.get("location"),
                    function_args.get("unit", "celsius")
                )
                
                # Append the function response to messages
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "name": function_name,
                    "content": function_response
                })
        
        # Get a new response from the model
        second_response = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=messages
        )
        
        return second_response.choices[0].message.content
    
    return response_message.content

# Try it out
result = check_weather("What's the weather like in Tokyo right now?")
print(result)
 Когда вы запускаете этот код с запросом «Какая погода в Токио сейчас?», ИИ: 
 
 
 
 
 
 
 Recognize it needs weather data 
 
 Call the   function with "Tokyo" as the location get_weather 
 
 Receive the weather data 
 
 Generate a natural response with the information Вместо того, чтобы догадываться или составлять информацию о погоде, она предоставляет реальные данные через функцию. ️ Выход: функция погоды призывает к действию Когда мы запускаем наш пример погоды с запросом «Какая погода в Токио сейчас?», волшебство функции вызова приходит к жизни. Этот форматированный JSON отправляется в наш функция, которая восстанавливает данные погодных условий, которые мы определили: температура 24°C и условия «Солнечный». функция возвращает форматированный ответ: {"location": "Tokyo", "unit": "celsius"} get_weather Хотите использовать OpenAI вместо Azure OpenAI? Ключевое различие между и   Применение лжи в С OpenAI вы используете стандартный клиент с прямым ключом API, в то время как Azure OpenAI требует его конкретного клиента вместе с дополнительными параметрами, такими как:  and  При выполнении вызовов функций OpenAI ссылается на модели по их стандартным названиям, в то время как Azure OpenAI требует, чтобы вы использовали имя развертывания, которое вы создали в своем портале Azure. OpenAI Azure OpenAI how you initialize the client azure_endpoint api_version Вот сравнение кода: # Standard OpenAI implementation
from openai import OpenAI

# Initialize the client
client = OpenAI(
    api_key="your-openai-api-key"
)

# Make an API call
response = client.chat.completions.create(
    model="gpt-4o",  # Standard model name
    messages=[{"role": "user", "content": "What's the weather in Seattle?"}],
    tools=functions,
    tool_choice="auto"
)
 # Azure OpenAI implementation
from openai import AzureOpenAI

# Initialize the client - requires more parameters
client = AzureOpenAI(
    api_key="your-azure-openai-api-key",
    api_version="2023-07-01-preview",  # Azure-specific
    azure_endpoint="https://your-resource-name.openai.azure.com"  # Azure-specific
)

# Make an API call
response = client.chat.completions.create(
    model="your-deployed-model-name",  # The name you gave your deployment in Azure
    messages=[{"role": "user", "content": "What's the weather in Seattle?"}],
    tools=functions,
    tool_choice="auto"
)
 Новый мир возможностей Функциональный вызов изменил все. AI теперь может: 
 
 
 
 
 
 
 
 
 Book real appointments 
 
 Look up real-time data 
 
 Control smart home devices 
 
 Query databases 
 
 Process payments 
 
 And much more Это разница между ИИ, который может говорить о мире, и тем, кто действительно может взаимодействовать с ним. В следующий раз, когда вы спрашиваете чат-бота о сегодняшних новостях или включите свои огни, помните: это функция звонка, которая заставляет волшебство происходить за кулисами. В резюме Функциональные вызовы преодолевают разрыв между человеческим языком и компьютерными системами. Это позволяет ИИ понять, когда вызывать внешние инструменты и услуги с использованием правильно сформированных данных — независимо от того, используете ли вы OpenAI напрямую или Azure OpenAI Service. Мы изучили, как он преобразует ИИ из пассивных респондентов в активных агентов, способных принимать конкретные действия на основе запросов естественного языка. Обе платформы поддерживают эту революционную возможность, хотя они отличаются деталями реализации, моделями безопасности и интеграцией экосистем. Смотреть вперед Поскольку все больше систем раскрывают конечные точки API и по мере эволюции стандартов аутентификации и безопасности, мы приближаемся к миру, где естественный язык становится универсальным интерфейсом для цифровых систем. Окончательная мысль Реальная революция заключается не только в том, что ИИ теперь может действовать - это то, что барьер между мышлением и действием растворяется. вызов функций - это не просто техническая особенность; это момент, когда ИИ вышел за рамки страницы и вошел в мир, превратившись из наблюдателя в участника.

This story contains new, firsthand information uncovered by the writer.

Books authored by me

Microsoft BUILD Session

PyCloud: Identifying defaulters using Machine Learning

Panel Discussion on Futuristic Technology and Possibilities

AI DEV DAYS: Integrating AI to Blockchain-Based Applications by Ritesh Modi

Understanding & Optimizing Dockerfiles by Ritesh Modi at Bangalore Container Conference 2017

Read My Stories

Этот звук создан на языке оригинала истории!

Устали от сломанных чат-ботов? это обновление AI исправляет все

About Author

КОММЕНТАРИИ

БИРКИ

ЭТА СТАТЬЯ БЫЛА ПРЕДСТАВЛЕНА В

Related Stories

Модель Bitcoin UTXO, обеспечивающая работу уникальной экосистемы

Полное руководство по успешной миграции в облако: стратегии и лучшие практики

Невидимые слои: почему интервью с пользователями являются незаменимым активом

Плавание по водам: разработка RAG-приложений промышленного уровня с использованием озер данных

Модель Bitcoin UTXO, обеспечивающая работу уникальной экосистемы

Полное руководство по успешной миграции в облако: стратегии и лучшие практики

Невидимые слои: почему интервью с пользователями являются незаменимым активом

Плавание по водам: разработка RAG-приложений промышленного уровня с использованием озер данных

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps