回复
都在搞MCP，但是我还是要讲一下大模型的函数调用
函数调用（function calling）是一种机制，允许大语言模型（LLM）通过调用外部函数或 API 执行特定的、预定义的任务。可以将其视为一种功能，让 LLM 将它无法独立完成的工作“委托”出去。
例如，假设您向 LLM 发送以下提示：“特斯拉当前的股价是多少？”
没有函数调用的基本 LLM 可能会根据其训练数据中的模式“幻觉”出一个答案，例如“可能在 200 美元左右”。经过 RLHF 优化的模型可能会更诚实地说：“我没有实时数据，所以无法告诉你。”
让我们用 Qwen2.5 0.5B Instruct 快速尝试一下：
from transformers importAutoTokenizer,AutoModelForCausalLM
model_name ="Qwen/Qwen2.5-0.5B-Instruct"
model =AutoModelForCausalLM.from_pretrained(model_name)
tokenizer =AutoTokenizer.from_pretrained(model_name)
prompt ="特斯拉当前的股价是多少？"
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=30, do_sample=True)
print(tokenizer.decode(outputs[0]))输出：
特斯拉当前的股价是多少？
抱歉，作为一个 AI 语言模型，我无法访问实时金融数据。特斯拉的股价可能会快速变化。正如预期，Qwen 表示它不知道，这与任何优秀的指令模型一致。
但通过函数调用，LLM 可以识别对实时股价数据的需求，触发对金融服务的 API 调用，然后生成类似“截至此刻，特斯拉的股价为 279.24 美元”的回答。
显然，函数调用是释放 LLM 全部潜力的关键功能，了解如何使用它至关重要。
现在，像 OpenAI GPT-4 这样的专有模型通过 OpenAI API 原生支持函数调用。它们使用起来更简单，因为一切都在 OpenAI 生态系统中处理。
Mistral AI 的许多模型（如 Mistral Small 或 Mistral Nemo）也是如此，这些模型是开源的，但也通过 API 提供。
让我展示一个使用最新 Mistral Small 的函数调用示例。您需要一个 Mistral API 密钥来运行此示例。
顺便说一句，Mistral 的模型被严重低估。只要用几次，你就会发现它们有多优秀。
首先，安装 Mistral AI 的 Python 客户端：
pip3 install mistralai
pip3 list | grep mistralai输出：
mistralai 1.6.0接下来，我们需要一个 LLM 可以调用的函数。我将使用 Flask 将该函数作为 REST 端点提供，该函数仅列出本地文件系统中指定目录的所有文件。
from flask importFlask, request
from os import path, listdir
app =Flask(__name__)
@app.route('/files')
def list_files():
directory = request.args.get('directory','.')
files =(
[{'name': f}for f in listdir(directory)
if path.isfile(path.join(directory, f))
]
)
return files
if __name__ =='__main__':
app.run(host='0.0.0.0', port=8000)您可以使用 curl 从命令行测试此端点，或者使用您喜欢的浏览器。
curl "http://localhost:8000/files?directory=/tmp"输出：
[{"name":"api.py"}]现在，我们需要告诉 LLM 这个函数存在，并且在适当的时候使用它。因为我们仍在使用 Mistral LLM（目前是 mistral-small-2503），这相当简单。您只需以 LLM 能理解的格式描述该函数。对于大多数 LLM，格式如下：
available_functions =[
{
"type":"function",
"function":{
"name":"files",
"description":"列出目录中的文件",
"parameters":{
"type":"object",
"properties":{
"directory":{
"type":"string",
"description":"目录的绝对路径"
},
},
"required":["directory"]
}
}
}
]当然，函数描述越详细、信息量越大，效果越好。
此时，您只需将 available_functions 数组与提示一起传递给客户端。
from mistralai importMistral
api_key ="..."
model ="mistral-small-2503"
mistral =Mistral(api_key)
response = mistral.chat.complete(
model = model,
messages =[
{
"role":"user",
"content":"列出 /tmp 目录中的所有文件。"
}
],
tools = available_functions,
tool_choice ="any"
)
print(response.choices[0].message.tool_calls[0])输出：
function=FunctionCall(
name='files',
arguments='{"directory": "/tmp"}'
)
id='12bc4' type=None index=0如您所见，Mistral Small 成功根据给定的提示推断出需要调用 files 函数，并使用参数 /tmp。
不过，它不会自己调用函数。这是我们需要做的事情。因此，我们检查 tool_calls 数组，如果它不为空，我们就运行 Mistral 希望我们运行的函数。
在我们的例子中，因为我们有一个 REST 端点，我们可以使用 requests 库进行 GET 请求。
import json
import requests
if response.choices[0].message.tool_calls:
tool_call = response.choices[0].message.tool_calls[0]
if tool_call.function.name =="files":
output = requests.get(
"http://localhost:8000/files?directory="+
json.loads(
tool_call.function.arguments
)["directory"]
).json()
print(output)输出：
[{'name':'qq1.html'}]请注意，参数目前是以字符串形式到达，我们需要先将其转换为 JSON。这就是代码中包含 json.loads() 的原因。
还值得注意的是，LL彼此之间，LLM 在这里没有生成文本。输出到标准输出（stdout）应该是您的函数。
很好，现在我们知道如何使用通过 API 访问的 LLM 进行函数调用。
在本文的其余部分，我们将使用可以本地运行的开源模型。许多这些模型支持函数调用，但使用该功能需要额外步骤。您会发现，这些模型照常生成 token，作为开发者的您需要解析、解释并使用这些 token 来触发函数。
让我们看看是否可以直接将 available_functions 数组传递给 Llama 3.2–1B Instruct 以使其调用我们的函数。
我们首先加载模型：
from transformers importAutoTokenizer,AutoModelForCausalLM
model_name ="meta-llama/Llama-3.2-1B-Instruct"
model =AutoModelForCausalLM.from_pretrained(model_name)
tokenizer =AutoTokenizer.from_pretrained(model_name)接下来，我们需要将提示包装在聊天模板中，而不是直接传递给模型。聊天模板应包含 available_functions 数组，以指定模型可以使用的工具。
messages =[
{"
role": "system", "content": "你是一个有用的助手。"},
{"role":"user","content":"/tmp 目录中有哪些文件？"},
]
template= tokenizer.apply_chat_template(
messages, tools=available_functions,
tokenize=False
)最后，我们对模板进行 token 化，并将其作为输入传递给模型。
inputs = tokenizer(template, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=30, do_sample=True)
print(tokenizer.decode(outputs[0]))输出：
...
...
<|python_tag|>
{"type":"function","function":"files",
"parameters":{"directory":"/tmp"}}
<|eom_id|>看起来 Llama 3.2 也成功识别了函数调用。这很好！但函数调用目前只是一个（JSON 格式的）字符串，被 <|python_tag|> 和 <|eom_id|> 包裹。eom_id 只是一个特殊的消息结束 token。
提取模型输出的函数调用有很多方法。我将保持简单，使用正则表达式。
import json
import re
generated_text = tokenizer.decode(outputs[0])
matched = re.search(
r"<\|python_tag\|>(.*?)<\|eom_id\|>",
generated_text, re.DOTALL
)
function_call = json.loads(matched.group(1).strip())
print(function_call)输出：
{'type':'function','function':'files',
'parameters':{'directory':'/tmp'}}现在您知道如何使用 Llama 进行函数调用。
如果从 Llama 切换到 Qwen，变化不大。但 Qwen 使用一组不同的 token 来包裹函数调用。以下是 Qwen 的输出：
<|im_start|>assistant
<tool_call>
{"name":"files","arguments":{"directory":"/tmp"}}
</tool_call><|im_end|>因此，您的正则表达式需要稍作调整以处理这种新格式。
本文转载自PyTorch研习社，作者：PyTorch研习社
赞
收藏
回复
相关推荐
