Sıkı JSON çıkış doğrulama ile işlev çağrısı, sistem entegrasyonları için güvenilir AI yanıtlarını sağlar. tip doğrulama için Pydantic, yapısal tanımlama için JSON Schema ve doğru hata yönetimi kullanarak, geliştiriciler tutarlı, iyi biçimlendirilmiş AI çıkışlarına dayanan sağlam uygulamaları oluşturabilir, bu da AI tarafından oluşturulan verileri analiz ederken tipik olarak karşılaştıkları hayal kırıklığını önemli ölçüde azaltır. Function Calling Output ile ilgili sorun nedir? Müşteri talebini analiz etmek için bir AI modeli kullanan bir rezervasyon sistemi oluşturmaya çalıştığım ilk kez hala hatırlıyorum. kullanıcı, "Bu Cuma günü saat 7'de dört kişilik bir masa rezervasyonu yaparım" gibi bir şey yazdı ve AI ayrıntıları çıkarmak ve rezervasyon sistemimize iletmek zorunda kaldı. Bu bir felaketti! Bazen AI alanları unuturdu. Diğer zamanlarda ekstra alanlar eklerdi. Bazen tam sayılara ihtiyacımız olduğunda satırları iade ederdi, ya da tarihleri tutarsız biçimde biçimlendirirdi. Her bir uyumsuzluk, ele alınması gereken başka bir kenar durumunu, eklemek için başka bir if ifadesi, kullanıcılardan başka bir hata raporu anlamına geliyordu. İhtiyacım olan şey, AI'nin her zaman sistemimin beklediği yapıyı tam olarak iade etmesini sağlamak için bir yoldur. ️ AI fonksiyonu çıkışlarının temel meydan okuması AI ile işlev arayışını kullandığımızda, esas olarak modelin karmaşık insan dili ile sistemlerimizin işleyebileceği yapılandırılmış veriler arasında bir çevirmen olarak hareket etmesini istiyoruz. Bu da temel bir gerginlik yaratıyor: 
 
 
 Doğal dil içeriğinin esnekliği istiyoruz Ama tutarlı veri çıkışının sertliğine ihtiyacımız var Çözüm, AI tarafından üretilen her şeyi sistemlerimizin beklediği şeye dönüştüren bir doğrulama katmanı oluşturmaktır. Enter Pydantic: The Python Data Validation Hero Hakkında Pydantic, Python uygulamalarında veri yapılarını uygulamak için standart haline gelen bir veri doğrulama kütüphanesidir. fonksiyon çağrısı için mükemmel kılan şey, dinamik, potansiyel olarak karmaşık veriler ve fonksiyonlarımız için gerekli olan sıkı türler arasındaki boşluğu nasıl kapatıyor. Temel olarak, Pydantic, veri modellerini tip anotasyonlarıyla tanımlamanın basit bir yolunu sunar. Verileri bu modellerine aktarıldığında, Pydantic, verilerin beklenen tür ve biçimlerle uyumlu olup olmadığını otomatik olarak onaylar. Yanlışlık varsa, tam olarak neyin yanlış olduğunu söyleyen açık, etkinleştirilebilir hata mesajları oluşturur. Örneğin, bir AI, bir alan için bir dizi olarak "4" döndüğünde, Pydantic otomatik olarak onu dönüştürür. Bir datetime alanı için "2023-06-15" döndüğünde, Pydantic analizi işler. Pydantik Nasıl Fonksiyon Çağırma Sorunu Çözer Anahtar anlayış, iş akışını çağırma işlevimizde iki kritik yerde Pydantik'i kullanabileceğimizdir: 
 
 
 
 
 : We can convert our Pydantic models to JSON Schema that the AI model understands, ensuring the AI knows exactly what format we expect. Definition 
 
 : We can use the same Pydantic models to validate and transform the AI's output, catching any inconsistencies before they reach our business logic. Validation Bu, doğal dilin bir ucuna gideceği ve doğru şekilde yazılan, doğrulanmış verilerin diğer ucuna çıktığı kesintisiz bir boru hattı yaratır. AI, kullanıcı niyetini anlamada yaratıcı olabilir, ancak Pydantic, yaratıcılığın sistemlerimizle çalışabileceğimiz tutarlı bir yapıya yönlendirilmesini sağlar. Ekiplerin, fonksiyon çağrı çıkışlarında Pydantic doğrulamasını uyguladıktan sonra hata oranlarını% 90'ın üzerinde düşürdüğünü gördüm.Daha fazlası, geliştirme süresi dramatik bir şekilde hızlanıyor çünkü mühendislerin her adımda savunma kodunu yazmaları gerekmez - işlevlerine gelen verilerin beklentilerini karşılayabileceğine güvenebilirler. ️ fonksiyon çıkışları için güvenilir bir çerçeve oluşturmak Rock-solid çıkışları sağlamak için Pydantic doğrulama ile OpenAI fonksiyonu çağrı kullanarak tam bir örnek oluşturalım: 
from openai import AzureOpenAI
import json
from pydantic import BaseModel, Field, ValidationError
from typing import Optional, List
from datetime import datetime
from enum import Enum

# Initialize the client
# 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 our data structures using Pydantic
class ReservationType(str, Enum):
    DINNER = "dinner"
    LUNCH = "lunch"
    BREAKFAST = "breakfast"

class RestaurantReservation(BaseModel):
    party_size: int = Field(..., gt=0, description="Number of people in the party")
    date: datetime = Field(..., description="Date and time of the reservation")
    special_requests: Optional[str] = Field(None, description="Any special requests")
    reservation_type: ReservationType = Field(..., description="Type of meal")
    customer_name: str = Field(..., min_length=1, description="Name for the reservation")
    phone_number: Optional[str] = Field(None, description="Contact phone number")

# Convert Pydantic model to a JSON schema for the function definition
reservation_schema = RestaurantReservation.model_json_schema()

# Define the function for the AI
functions = [
    {
        "type": "function",
        "function": {
            "name": "make_restaurant_reservation",
            "description": "Make a reservation at a restaurant",
            "parameters": reservation_schema
        }
    }
]

# Function to parse and validate AI output
def parse_reservation_response(response_message):
    # Check if the model wants to call a function
    if not response_message.tool_calls:
        return {"error": "No function call found in response"}
    
    try:
        # Extract the function call arguments
        function_call = response_message.tool_calls[0]
        function_args = json.loads(function_call.function.arguments)
        
        # Validate using Pydantic
        reservation = RestaurantReservation(**function_args)
        
        # If we get here, validation passed
        return reservation.model_dump()
    except ValidationError as e:
        # Detailed validation errors from Pydantic
        return {"error": f"Validation error: {str(e)}"}
    except json.JSONDecodeError:
        return {"error": "Invalid JSON in function arguments"}
    except Exception as e:
        return {"error": f"Unexpected error: {str(e)}"}

# Process user request
def process_reservation_request(user_query):
    try:
        # 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=functions,
            tool_choice="auto"
        )
        
        response_message = response.choices[0].message
        
        # Parse and validate the response
        result = parse_reservation_response(response_message)
        
        # Handle errors
        if "error" in result:
            # You might want to retry with a more explicit prompt here
            return {"status": "error", "message": result["error"]}
        
        # Success! We have a valid reservation
        return {
            "status": "success", 
            "reservation": result,
            "confirmation_message": f"Confirmed reservation for {result['party_size']} on {result['date']} under {result['customer_name']}"
        }
        
    except Exception as e:
        return {"status": "error", "message": f"Failed to process request: {str(e)}"}

# Example usage
result = process_reservation_request("I'd like to book a table for 4 people this Friday at 7 PM for dinner. My name is John Smith.")
print(json.dumps(result, indent=2, default=str))
 Sonraki İçerikThe Output: Robust Function Calling in Action Kullanıcı sorgusuyla kodlarımızı çalıştırdığımızda "Bu Cuma günü saat 7'de John Smith adı altında akşam yemeği için 4 kişilik bir masa rezervasyonu yapmak istiyorum," işte sahnelerin arkasında neler oluyor. Pydantik onay tabakamız, tüm gerekli alanların mevcut olduğunu ve doğru şekilde yazıldığını onaylar, tarih satırını bir datetime nesneye dönüştürür ve party_size'nin olumlu bir bütün sayısı olduğundan emin olur. Kullanıcıya verilen nihai çıkış bir onay mesajıdır: "2025-05-09 19:00:00'de 4 için onaylı rezervasyon John Smith'in altında." Eğer kullanıcının yerine "Bize kısa sürede bir masa rezervasyonu" gibi belirsiz bir şey söylediği takdirde, onay, eksik tarih ve müşteri adını yakalayacak ve bu eksik parçaların tam olarak başarısız olması yerine, bu eksik parçaların belirlenmesini isteyeceğiz. Bu yaklaşım neden işe yarıyor Bu yaklaşımı güçlü kılan birkaç temel unsur vardır: 
 
 
 
 
 
 Güçlü Tip Tanımları: Pydantik modeller, hangi alanların gerekli olduğunu, türlerini ve asgari değerler gibi kısıtlamaları açıkça tanımlar. Otomatik doğrulama: Bir RestaurantReservation nesnesi oluşturduğumuzda, Pydantic otomatik olarak tüm alanları doğrular ve ayrıntılı hata mesajları verir. Graceful Error Handling: Kaza yerine doğrulama hatalarını yakalayıp yapılandırılmış hata bilgileri iade ediyoruz. Schema Generation: Pydantik modeller, doğrudan fonksiyon tanımına ileteceğimiz JSON Schema'yı oluşturabilir, böylece tutarlılık sağlanır. Veri Dönüşümü: Pydantic, satırları tarihlere dönüştürmeyi, doğru türlerine enumerasyonları ve daha fazlasını kullanır. Azure OpenAI kullanmak ister misiniz? Azure OpenAI kullanıyorsanız, model neredeyse aynıdır - sadece istemciyi nasıl başlatacağınızı değiştirin: from openai import AzureOpenAI

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

# The rest of the code remains the same
 Gerçek Dünya Uygulamaları Bu model sadece restoran rezervasyonları için değil, doğal dilden yapılandırılmış veriler gerektiren her yerde çalışır: 
 
 
 
 
 
 Müşteri Desteği: Bilet kategorize etmek ve anahtar ayrıntıları çıkarmak Takvim Yönetimi: Doğru katılımcılar ve zamanlarla toplantılar oluşturma E-ticaret: Filtre ve sıralama ile ürün arama işlemleri Sağlık: Hastanın açıklamalarından semptomlar ve tıbbi geçmişi çıkarmak Finans: İşlem açıklamalarını kategorize edilen verilere dönüştürme Son Düşünce: Kaos ve Düzen Arasındaki Köprü Sıkı bir çıkış doğrulama ile AI fonksiyon çağrısı, teknik bir modelden daha fazlasıdır - insan iletişiminin kaoslu dünyası ile bilgisayar sistemlerinin düzenli alanı arasındaki köprüdür. İnsanların kendilerini doğal olarak ifade etmelerine ve sistemlerin kesin olarak yapılandırılmış verileri almalarını sağlarken, insan gibi hissedebilen ama güvenilir bir şekilde işlev gören arayüzleri oluşturuyoruz. Gelecek, insan niyetinin karışıklığını halledebilecek ve başarısız bir şekilde bir bilgisayar tarafından gerçekleştirilebilecek eylemlere dönüştürebilecek uygulamalar içindir.

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

Bu ses hikayenin orijinal dilinde üretilmiştir!

Bu Bir Python Aracı Benim AI'nin Fonksiyon Çağırma Kaosunu Düzeltti

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps