Function Calling 是一种让 Chat Completion 模型调用外部函数的能力，可以让模型不仅仅根据自身的数据库知识进行回答，而是可以额外挂载一个函数库，然后根据用户提问去函数库检索，按照实际需求调用外部函数并获取函数运行结果，再基于函数运行结果进行回答，或者是通过函数调用来调用工具。
Qwen 官方给出的 Function Calling 方法是基于 openai 接口的，这篇文章就从如何利用 Qwen 仿 OpenAI 接口开始写起。
在 Qwen 官方给出的代码中有一个 openai_api.py 脚本，可以在 _get_args() 函数中对参数进行配置后运行 （主要需要修改模型路径）。
def _get_args():
parser = ArgumentParser()
parser.add_argument(
"-c",
"--checkpoint-path",
type=str,
default="qwen/Qwen-1_8B-Chat",
help="Checkpoint name or path, default to %(default)r",
)
parser.add_argument(
"--api-auth", help="API authentication credentials"
)
parser.add_argument(
"--cpu-only", action="store_true", help="Run demo with CPU only"
)
parser.add_argument(
"--server-port", type=int, default=8000, help="Demo server port."
)
parser.add_argument(
"--server-name",
type=str,
default="0.0.0.0",
help="Demo server name. Default: 127.0.0.1, which is only visible from the local computer."
" If you want other computers to access your server, use 0.0.0.0 instead.",
)
parser.add_argument("--disable-gc", action="store_true",
help="Disable GC after each response generated.")
args = parser.parse_args()
return args
修改完成后运行：
python openai_api.py
接着可以运行以下代码以调用接口进行对话：
import openai
import json
openai.api_base = 'http://localhost:8000/v1'
openai.api_key = 'none'
def call_qwen(messages):
response = openai.ChatCompletion.create(model='Qwen', messages=messages)
response = response.choices[0]['message']
response = json.loads(json.dumps(response, ensure_ascii=False))
print('input:', messages)
print('output:', response)
return response
if __name__ == '__main__':
messages = [{'role': 'user', 'content': '你好'}]
response = call_qwen(messages)
首先介绍一下 Function Calling 的具体流程。
首先我们需要定义一个外部函数库，这个函数库是一个列表，可以添加多个函数，列表中每个函数都为 json 格式，每个函数格式固定，以下是一个关于控制开关灯光的函数例子。
functions = [
{
"name_for_human": "灯光控制",
"name_for_model": "contral",
"description_for_model": "灯光控制可以帮助用户开关灯"
+ " Format the arguments as a JSON object.",
"parameters": [
{
"name": "switch",
"description": "用于控制灯的开关，若为True则为开灯，若为false则为关灯",
"required": True,
"schema": {"type": "bool"},
}
],
}
]
# 各参数作用
# "name_for_human"：函数名字（对人类）
# "name_for_model"：函数名字（对模型）
# "description_for_model"：描述函数的作用，让模型能够判断什么时候调用这个函数
# "parameters"：返回结果中的参数，该键对应的值为一个列表，可以返回多个参数
# "name"：参数的名字
# "description"：参数的描述，用于让模型判断这个参数填入什么
# "required"：这个参数是否是必要的
# "schema"：可以指定这个参数的数据类型
调用函数库方式如下，这里创建了一个 contral 函数假装调用了接口来进行开关灯操作：
import openai
import json
openai.api_base = "http://localhost:8006/v1"
openai.api_key = "none"
def contral(response):
if response.choices[0].message.function_call:
result = eval(response.choices[0].message.function_call.arguments)
switch = "开灯" if result["switch"] else "关灯"
print(switch)
def call_qwen(messages, functions=None):
print(messages)
if functions:
response = openai.ChatCompletion.create(
model="Qwen", messages=messages, functions=functions
)
else:
response = openai.ChatCompletion.create(model="Qwen", messages=messages)
print(response)
result = response.choices[0].message.function_call
if result:
if result.name == "contral":
contral(response)
print(response.choices[0].message.content)
return response
if __name__ == "__main__:
functions = [
{
"name_for_human": "灯光控制",
"name_for_model": "contral",
"description_for_model": "灯光控制可以帮助用户开关灯"
+ " Format the arguments as a JSON object.",
"parameters": [
{
"name": "switch",
"description": "用于控制灯的开关，若为True则为开灯，若为false则为关灯",
"required": True,
"schema": {"type": "bool"},
}
],
}
]
messages = [{"role": "user", "content": "帮我开一下灯"}]
call_qwen(messages, functions)
返回结果如下：
# messages
[{'role': 'user', 'content': '帮我开一下灯'}]
# response
{
"model": "Qwen",
"object": "chat.completion",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "Thought: \u9700\u8981\u4f7f\u7528\u706f\u5149\u63a7\u5236API\u6765\u5b9e\u73b0\u5f00\u706f\u64cd\u4f5c",
"function_call": {
"name": "contral",
"arguments": "{\"switch\": True}"
}
},
"finish_reason": "function_call"
}
],
"created": 1706839240
}
# switch
开灯
# response.choices[0].message.content（json 会导致"content"中的中文会变为Unicode，取出来后就是正常的）
Thought: 需要使用灯光控制API来实现开灯操作
Function Calling 是一种非常有用的功能，可以让Chat Completion模型更加灵活地应对各种场景比如自动发邮件、控制机械臂、上网搜索用户提问中的相关信息后回答，调用其他厂家的 api 接口……通过调用外部函数进行输出格式化，可以让Chat Completion模型更加贴合实际需求，并提供更加优质、高效、个性化的服务。怎么用就取决于大家的想象力了。
求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。
（都打包成一块的了，不能一一展开，总共300多集）
因篇幅有限，仅展示部分资料，需要点击下方图片前往获取
这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。
这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。
?学会后的收获：?
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
?获取方式：
?有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】?