我要投稿

大模型在企业中应用的挑战与OpenAI Function Calling的实践

发布日期：2024-06-11 08:12:45 浏览次数： 2531 作者：智能体AI

随着人工智能技术的不断发展，大模型在企业中的应用也越来越广泛。然而，在实际应用中，企业仍然面临着一些挑战，尤其是在与外部环境的交互上。本文将探讨这些挑战，并介绍一种有效的解决方案——OpenAI Function Calling。

一、大模型在企业中应用的挑战

获取实时信息：大模型在处理静态数据时表现出色，但在获取和处理实时信息方面，仍存在一定困难。
使用企业数据：大模型需要访问企业内部数据，这些数据往往分散在不同的系统中，如何高效地整合和利用这些数据是一个挑战。
多模态应用：企业应用往往需要处理多种类型的数据，如文本、图像、音频等，多模态应用要求模型具备更强的处理能力。
理解复杂的实际场景：企业业务场景复杂多变，大模型需要具备强大的理解和推理能力，才能应对各种复杂情况。
在实际环境中执行动作：将模型的预测和决策应用到实际操作中，确保其在真实环境中有效执行，是一个关键挑战。

二、OpenAI Function Calling 简介

为了解决上述挑战，OpenAI 推出了 Function Calling 功能。通过这个功能，可以将方法（工具）说明随用户请求一起放在 Prompt 中传给 GPT，GPT 返回要调用的方法名及参数值，然后在外部运行该方法获得结果，再将调用结果及前面的对话历史一起放回 Prompt，再次调用 GPT。

三、OpenAI Function Calling 实践与实现思路

1、为了在实际应用中实现 Function Calling

可以按照以下步骤进行：

构建一个 dict 对象存储方法：例如，{"方法1": 方法1, "方法2": 方法2, ...}。
在 Prompt 中加入方法定义：将方法的定义和用途描述放在 Prompt 中，传递给 GPT。
根据 LLM 的返回，决定是否调用函数：如果返回信息中含有 "function_call"，则调用指定函数，否则直接返回信息给用户。
调用函数并再次调用 LLM：如需调用函数，则执行 LLM 指定的函数，并将结果及调用的函数一起放在 Prompt 中，再次调用 LLM，获取最终结果。

2、如何使用 OpenAI Function Calling

方法用途描述：在定义方法时，需要详细描述其用途，让模型能够准确理解该方法的功能。
参数描述：清晰描述每个参数的作用和类型，确保模型能够正确生成参数值。
控制模型如何响应函数调用：

"none" 表示模型不调用函数
"auto" 表示模型可以自动调用函数
通过 {"name": "my_function"} 强制模型调用指定函数

默认值为 "auto"，意味着模型在大多数情况下会自动选择是否调用函数。

让我们来看一个具体的例子：

import openaiimport osimport 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 Key和配置URLopenai.api_key = os.getenv('OPENAI_API_KEY')openai.api_base = os.getenv('OPENAI_API_URL')model = os.getenv('OPENAI_API_MODEL')
def get_current_cluster_state(cluster_name):print(f"cluster:{cluster_name}")return"""ERROR: Failed to pull image "tanjp/docker/dsp:latest"""
funcs = {"get_current_cluster_state": get_current_cluster_state}
def run(input):msg=[{"role":"user","content":input}]ret = run_conversation(msg)return ret["content"] 
#function 接受一个名为 "cluster_name" 的参数，用于指定要查询状态的集群名称#temperature=0,# 模型输出的随机性，0 表示随机性最小。需要填写为0，否则会出现其他问题def run_conversation(msg):response = openai.ChatCompletion.create(model=model,messages=msg,temperature=0,# 模型输出的随机性，0 表示随机性最小functions=[{"name": "get_current_cluster_state","description": "Get the current state in a given cluster", #⽅法⽤途描述"parameters": {"type": "object","properties": {"cluster_name": {"type": "string","description": "the name of the cluster",#参数描述},},"required": ["cluster_name"],},}],function_call="auto",#"""控制模型如何响应函数调⽤• “none” 表示模型不调⽤函数• “auto” 表示模型可以⾃动调⽤函数• 通过 {"name": “my_function”} 强制模型调⽤指定函数• 默认值为 "auto"""")
message =response["choices"][0]["message"]print("----- message ----")print(message)print("----- message ----")# 如果不需要调用function，则直接返回结果if not message.get("function_call"):return message# 获取调用的方法function_name = message["function_call"]["name"]function_args = json.loads(message["function_call"]["arguments"])print(function_args)res = funcs[function_name](function_args["cluster_name"]) message["content"]=Nonemsg.append(message)msg.append({"role": "function","name": function_name,"content": res,})return run_conversation(msg)
#python入口函数if __name__ == "__main__":#print(run("Hello"))#集群“DSP”出了什么问题？如果有错误，给我一些建议。print(run("What's wrong with the cluster 'DSP'? And if there's an error, give me some suggestion. "))