你以为AI只能聊天吗？

AI 只能聊天、生成图片、生成视频吗？

比如我想让 AI 帮我发个邮件：

AI 你好，请帮我发一封邮箱给：

收件人：xx@xx.com

邮件主题：hi 李雷

邮件内容：I am 韩梅梅

AI 可以聊天，可以生成图片，可以生成视频，那它能发邮件吗？

 

一般来说互联网版本的 AI 可以帮我们拟邮件内容与标题，但不会给我们自动发邮件，毕竟这操作就和病毒一样有点可怕。当然如果是在自己本地的私有化 AI 来说这就是可以实现的功能。

如何给 AI 赋予发邮件的能力？

随着 OpenAI 推出的“Function Calling”功能，通过 Function Calling，大模型能够通过结构化输入连接到外部系统，比如通过 API 进行交互，从而实现与外部世界的连接。

通过Function Calling AI 可以与外部工具和服务连接起来，这样 AI 的能力就非常的广阔。这样可以打造更智能、更强大的人工智能。
Function Calling 技术的不断发展，我们相信它将在未来的 AI 应用中发挥越来越重要的作用。

 

下面我们来具体看看Function Calling：

一、Function Calling概述

 

故事的开端来源于 OpenAI 的这次升级，“Function calling and other API updates”。

对于AI 需求，我们远远不止于希望 AI 只能生成文本，也希望能 AI 可以执行具体的任务，比如查询数据库、发送邮件、生成表格等等。早期，我们通过“指令微调”（Instruction Tuning）让模型理解并执行特定指令，但这种方式存在一些局限。

为了解决这个问题， Function Calling（函数调用）出现了。Function Calling 允许我们将具体的功能以函数的形式定义出来，模型在生成文本时，可以主动调用这些函数，从而实现复杂任务的执行。

Function Calling 的核心思想是：模型生成的不仅是文本，还可能是对具体函数的调用，以及调用所需的参数。这种机制使得模型能够更灵活、更安全、更高效地执行各种任务。

二、Function Calling原理

 

Function Calling 的实现原理主要分为以下几个步骤：

1. 定义函数：将具体的功能封装成函数，定义函数的名称、入参和返回值。
2. 函数映射：将函数的信息（如名称、参数类型等）映射到模型可理解的 Json 格式。
3. 模型生成函数调用：在与模型的交互中，提示模型生成函数调用的 JSON 对象，而不是直接生成结果。
4. 解析并执行函数调用：解析模型生成的 JSON 对象，调用相应的函数，并将函数的返回结果反馈给模型。
5. 模型根据函数返回结果生成最终答案：模型根据函数的执行结果，生成最终的回复或继续进行交互。

其实Function Calling 的本质还是很简单的，就是和 AI 聊天，AI 解析聊天内容，触发生成调用函数的对象，程序根据 AI 生成的参数判断调用函数。本质上还是自己的程序在调用函数，不过中间有 AI 的交互。

如 AI 给我们生成邮件内容，然后告诉我们可以用这个去调用我们发邮件的函数或接口了。感觉是对智能体能力的扩展。

官方也给出了示例，也是非常简单的。

 

三、实战LLaMA实现自动发邮件

 

接下来，我们将基于LLaMA 3.2-1B 模型，实现一个简单的自动发邮件功能。我们将使用 Function Calling 的机制，让模型在需要发送邮件时，调用我们定义的 send_email 函数。

3.1 环境配置

首先，本地得安装以下依赖：

• transformers: Hugging Face 的 Transformers 库，用于加载和使用预训练模型。
• datasets: Hugging Face 的 Datasets 库，用于加载数据集。
• smtplib: Python 内置库，用于发送邮件。

你可以使用以下命令安装所需的库：

pip install transformers datasets

3.2 加载模型和分词器

使用 Hugging Face 的 AutoModelForCausalLM 和 AutoTokenizer 来加载 LLaMA 模型和分词器。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "llama-3.2-1b"  

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

3.3 定义send_email

定义一个 send_email 函数，用于发送邮件。这个函数接受收件人、主题和正文作为参数。

import smtplib
from email.mime.text import MIMEText
from email.mime.multipart import MIMEMultipart

def send_email(to, subject, body):
    # 请替换为你的邮件服务器配置
    smtp_server = "smtp.qq.com"
    smtp_port = 587
    smtp_username = "xx"
    smtp_password = "xx"
    
    msg = MIMEMultipart()
    msg["From"] = smtp_username
    msg["To"] = to
    msg["Subject"] = subject
    msg.attach(MIMEText(body, "plain"))
    
    with smtplib.SMTP(smtp_server, smtp_port) as server:
        server.starttls()
        server.login(smtp_username, smtp_password)
        server.sendmail(smtp_username, to, msg.as_string())
    
    return f"邮件已成功发送至 {to}"

3.4 构建 Function Calling 对话

构建一个对话系统，模拟用户与模型的交互。在这个对话中，模型可以根据用户的指令，调用 send_email 函数发送邮件。

def main():
    functions = [
        {
            "name": "send_email",
            "description": "发送一封邮件",
            "parameters": {
                "type": "object",
                "properties": {
                    "to": {
                        "type": "string",
                        "description": "收件人邮箱地址",
                    },
                    "subject": {
                        "type": "string",
                        "description": "邮件主题",
                    },
                    "body": {
                        "type": "string",
                        "description": "邮件正文",
                    },
                },
                "required": ["to", "subject", "body"],
            },
        },
    ]
    
    messages = [
        {"role": "system", "content": "你是一个可以帮助用户发送邮件的助手。"},
    ]
    
    while True:
        user_input = input("你: ")
        messages.append({"role": "user", "content": user_input})
        
        # 将 messages 转换为模型可接受的输入格式
        prompt = ""
        for message in messages:
            if message["role"] == "system":
                prompt += f"<system>{message['content']}</system>\n"
            elif message["role"] == "user":
                prompt += f"<user>{message['content']}</user>\n"
            elif message["role"] == "assistant":
                prompt += f"<assistant>{message['content']}</assistant>\n"
        
        # 生成模型回复
        inputs = tokenizer.encode(prompt, return_tensors="pt")
        outputs = model.generate(inputs, max_length=512)
        response = tokenizer.decode(outputs[0], skip_special_tokens=True)
        
        # 提取模型生成的函数调用
        if "send_email" in response:
            # 这里我们简化处理，直接提取参数
            to = input("请输入收件人邮箱地址: ")
            subject = input("请输入邮件主题: ")
            body = input("请输入邮件正文: ")
            result = send_email(to, subject, body)
            print(f"助手: {result}")
            messages.append({"role": "assistant", "content": result})
        else:
            print(f"助手: {response}")
            messages.append({"role": "assistant", "content": response})

3.5 运行程序

运行程序后，你可以输入一些指令，看看模型是否会调用 send_email 函数发送邮件。

例如：

你: 帮我发送一封邮件给 xx@xx.com，主题是“测试邮件”，内容是一封感谢信，具体内容你帮我写。

程序会提示你输入收件人邮箱地址、主题和正文，然后发送邮件并返回结果。

 

我是栈江湖，如果你喜欢此文章，不要忘记点赞+关注！