İstediğiniz şeyi alamayan biriyle konuşmaya sıkışmıştınız mı? 6:00'da havalimanına gitmeniz gerektiğini arkadaşınıza söylediğinizde ve size en sevdikleri havaalanı restoranlarından bahsetmeye başlarken? Fonksiyon çağrısı nedir? İşlev çağrısı, bir işin tamamlanması için dış bir araç veya hizmet kullanması gerektiğini anladığında, sadece ne istediğinizi anlayan, aynı zamanda telefonunuzu hava durumunu kontrol etmek, yönlendirmeleri aramak veya taksi çağırmak için ne zaman çıkarttığını bilecek akıllı bir asistanın olması gibidir. Teknik olarak, fonksiyon çağrısı, AI modellerinin belirli fonksiyonları ne zaman kullanacağını, hangi parametreleri geçeceklerini ve verileri doğru şekilde nasıl biçimlendireceğini tanımlamasına izin verir - hepsi doğal dil talimatlarından. Sonraki İçerikThe Dark Ages: Before Function Calling Fonksiyon çağrısı yapmadan önce, işler ... karışıktı. eğer bir AI dış araçları kullanmak istiyorsanız, iki eşit derecede hayal kırıklığına uğrayan seçeneğiniz vardı: 
 
 
 
 
 Train the AI to generate exact API calls (which often went wrong) 
 
 Write complex code to parse AI responses and extract parameters “New York için hava verilerine ihtiyacım var” gibi bir şey söylersiniz ve AI hava durumu hakkında metinle yanıt verecek, gereksinim duyduğunuz gerçek veri değil. Restoran rezervasyonlarını rezerve etmek için bir chatbot oluşturmayı hatırlıyorum. fonksiyon çağrısı olmadan, kullanıcıların "Yazınızı rezerve ettim!" diyerek mutlu olurdu. herhangi bir rezervasyon sistemine bağlanmadan. kullanıcılar sadece herhangi bir rezervasyon olmadığını bulmak için restoranlara geldi. Neden Fonksiyonlar Konuları Çağırıyor Fonksiyon çağrısı, insan dili ve bilgisayar sistemleri arasındaki mesafeyi köprüler. 
 
 
 
 
 
 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 Fonksiyon çağrısı, bir AI'ya bir araç kutusuna erişim sağlamak gibi düşünün. Daha önce, sadece çekiçler hakkında konuşabilirdi. Şimdi birini alabilir ve aslında bir tırnağa sürücü olabilir. 🧩 A Simple Way to Think About It Bir kahve dükkânında olduğunuzu hayal edin. “Ağız sütü ile orta bir latte istiyordum” dediğinizde, aslında barista’yı “function calling” yapıyorsunuz. Bu fonksiyon şöyle görünebilir: make_coffee(size="medium", drink_type="latte", milk="oat")
 Barista şunları biliyor: 
 
 
 
 
 
 
 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) Fonksiyon çağrısı olmadan, şöyle bir yanıt alacaksınız: “Bir orta latte yumurta sütü lezzetli geliyor!” ama gerçek kahve yok. Hope you get the idea ! The Core Mechanics Behind Function Calling (← bağlantılar  değiştir) Özünde, fonksiyon çağrısı, birlikte çalışan birkaç teknik yenilikten dolayı çalışır: 
 
 
 
 
 
 
 
 : 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 ️ Function Calling için Scaffolding Kodu İşte OpenAI API kullanarak işlev çağrısı ile başlamak için kullanabileceğiniz bir şablon: 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)
 ☀️ Bir çalışma örneği: Hava Kontrolü Bunu Azure OpenAI kullanarak basit bir hava kontrol fonksiyonu ile uygulayalım: 

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)
 “Tokyo’da şu anda hava nasıl?” sorusuyla bu kodu çalıştırdığınızda, AI şunları yapacaktır: 
 
 
 
 
 
 
 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 Tahmin etmek veya hava bilgileri oluşturmak yerine, işlev aracılığıyla gerçek verileri sağlar. Sonraki Sonraki yazı: Weather Function Calling in Action "Tokyo'da şu anda nasıl bir hava var?" sorusu ile hava örneği çalıştırdığımızda, çağrı işlevinin büyüsü hayata döner. Bu formatlanmış JSON bize gönderilir. 24°C sıcaklığı ve “Güneşli” koşulları ile tanımladığımız şık hava durumu verilerini alır. {"location": "Tokyo", "unit": "celsius"} get_weather Azure OpenAI yerine OpenAI kullanmak ister misiniz? Arasındaki temel fark ve   uygulama yalan söylüyor OpenAI ile, standart istemciyi doğrudan bir API anahtarı ile kullanırsınız, Azure OpenAI ise özel istemciyi ve ek parametreleri gerektirir. ve İşlev çağrıları yaparken, OpenAI modellerini standart adlarıyla referanslar, Azure OpenAI ise Azure portalınızda oluşturduğunuz dağıtım adını kullanmanızı gerektirir.Bu, Azure'un kurumsal yaklaşımını yansıtır ve biraz daha karmaşık yapılandırmanın maliyeti ile Microsoft ekosistemine ek güvenlik ve entegrasyon sunar. OpenAI Azure OpenAI how you initialize the client azure_endpoint api_version İşte kod karşılaştırması: # 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"
)
 Fırsatların Yeni Dünyası İşlev çağrısı her şeyi değiştirdi. AI şimdi: 
 
 
 
 
 
 
 
 
 Book real appointments 
 
 Look up real-time data 
 
 Control smart home devices 
 
 Query databases 
 
 Process payments 
 
 And much more Dünya hakkında konuşabilen bir AI ile onunla etkileşim kurabilen biri arasındaki fark budur. Bir dahaki sefere bir chatbot'tan bugünkü haberleri isterseniz veya ışıklarınızı açtığınızda, hatırlayın: sahnelerin arkasında sihirli bir şey oluyor. Sonuç olarak Fonksiyon çağrıları, insan dili ve bilgisayar sistemleri arasındaki mesafeyi köprüler. Uygun biçimlendirilmiş verileri kullanarak dış araçları ve hizmetleri ne zaman çağırdığınızı anlamanızı sağlar - doğrudan OpenAI veya Azure OpenAI Service'i kullanıyor olsanız da. AI'nin pasif yanıt verenlerden doğal dil taleplerine dayanarak belirli eylemler yapabilen aktif ajanlara nasıl dönüştüğünü keşfettik. Her iki platform da bu devrimci yetenekleri destekler, ancak uygulama ayrıntıları, güvenlik modelleri ve ekosistem entegrasyonu açısından farklıdırlar. İleriye bakmak İşlev çağrısının gerçek gücü, bugün yapabileceği şeyde değil, yarın yapabileceği şeydir. daha fazla sistem API son noktalarını ortaya çıkarırken ve kimlik doğrulama ve güvenlik standartları geliştikçe, doğal dilin dijital sistemlere evrensel bir arayüze dönüştüğü bir dünyaya yaklaşıyoruz. Son Düşünce Gerçek devrim sadece AI'nin şimdi eylem yapabileceği değil, düşünme ve eylem arasındaki bariyerin çözülmesidir. fonksiyon çağrısı sadece bir teknik özellik değildir; bu, AI'nin sayfanın ötesine ve dünyaya girdiği an, bir gözlemciden bir katılımcıya dönüştüğüdür.

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

Books authored by me

Boş Chatbotlar Yorgun mu? bu AI yükseltmesi her şeyi düzeltiyor

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Telegram: Kripto Adası'nın anakaraya olan köprüsü

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

Sulara Yelken Açmak: Data Lakes ile Üretim Sınıfında RAG Uygulamaları Geliştirme

Telegram: Kripto Adası'nın anakaraya olan köprüsü

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

Sulara Yelken Açmak: Data Lakes ile Üretim Sınıfında RAG Uygulamaları Geliştirme

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps