关于在 Ollama 中使用函数调用的全面指南
引言
就在几天前,Ollama 加入了大语言模型(LLM)开发者的队伍,宣布用户现在可以直接在 Ollama 中调用工具。
虽然严格来说 Ollama 并不是一个大语言模型开发者,而更像是一个大语言模型的促进者,但这一消息仍然受到了粉丝们的热烈欢迎。
在本文中,我将向你展示如何利用 Ollama 的 API 和 Python 来使用工具。
如果你之前没听过 Ollama,我建议你先阅读以下文章,我在其中介绍了它们的功能和作用,
搭建开发环境
在开始编程之前,最好的做法是创建一个新的开发环境,以此来隔离我们的项目。我个人是使用 conda 来完成这一步骤,但你也可以选择任何你熟悉的工具。
PS C:\\Users\\thoma> conda create -n ollama_tools python=3.11 -y``PS C:\\Users\\thoma> conda activate ollama_tools``(ollama_tools) PS C:\\Users\\thoma> pip install jupyter yfinance ollama
安装 Ollama
前往 ollama.com 下载适合你系统的 Ollama 最新版并安装。
检查你的版本信息。你需要至少 0.3.0 版本来进行工具调用。
(ollama_tools) PS C:\\Users\\thoma> ollama --version``ollama version is 0.3.0
选择你的大语言模型并通过 Ollama 下载
在 Ollama 网站的这一部分查看支持使用工具的兼容模型列表,
https://ollama.com/library
确定好你要使用的模型后,通过 Ollama 将其下载到本地。例如,我选择了 Llama 3.1 8B 模型。
(ollama_tools) PS C:\\Users\\thoma> ollama pull llama3.1
首次执行此操作可能需要一两分钟。你可以通过以下命令查看本地系统上有哪些模型,
(ollama_tools) PS C:\\Users\\thoma> ollama list
要运行模型,在与之交互之前,例如使用以下命令,
(ollama_tools) PS C:\\Users\\thoma> ollama run llama3.1:latest --keepalive 120m
当你看到 >>> 提示符后,可以直接退出,这个模型会在后台继续运行,在本例中是 120 分钟,之后它会自动卸载。
为什么我们需要工具调用?
我们需要工具调用的原因是大语言模型通常只能回答到某个时间点之前的问题。这意味着除非它们可以直接访问互联网,否则它们无法获取当前的事件、情况等信息——而大多数模型都做不到这一点。
因此,如果你询问一个大语言模型当前巴黎的温度,它是无法告诉你答案的。同样,询问某只特定股票的当前价格也是如此。
>>> what is the current price of MSFT (Microsoft)`` ``As I'm a large language model, I don't have direct access to real-time market data. However, I can suggest some``ways for you to find out the current stock price of Microsoft (MSFT):`` ``1. **Financial websites**: Visit reputable financial websites like:` `* Yahoo Finance (finance.yahoo.com)` `* Google Finance (finance.google.com)` `* Bloomberg (bloomberg.com)` `* CNBC (cnbc.com)``2. **Stock market apps**: Use a mobile app like:` `* Robinhood` `* Fidelity Investments` `* eTrade` `* TradingView``3. **Direct from the source**: Visit Microsoft's investor relations page (ir.microsoft.com) for real-time stock``data.`` ``As of my knowledge cutoff, the current price of MSFT was around $245-$250 per share. However, please note that``this information may be outdated, and I recommend checking a reliable financial website or app for the most recent``and accurate price.`` ``If you want to get an estimate, here are some historical price ranges:`` ``* 52-week high: around $280``* 52-week low: around $210`` ``Keep in mind that stock prices can fluctuate rapidly due to various market factors. Always consult multiple``sources or a financial advisor for more precise and up-to-date information.``
示例代码 —— 查找一只股票的当前价格
我们来看这个问题。
首先,我们需要一个函数来返回一只股票的当前价格。我们可以使用 Yahoo Finance 来实现。
import yfinance as yf`` ``def get_current_stock_price(ticker_symbol):`` ` `# Get the stock data` `stock = yf.Ticker(ticker_symbol)`` ` `# Get the current price` `current_price = stock.history(period='1d')['Close'].iloc[0]`` ` `return current_price
接下来,将这个函数作为工具告知 Ollama。
import ollama`` ``# Want the current price of Microsoft - ticker symbol MSFT`` ``response = ollama.chat(` `model='llama3.1',` `messages=[{'role': 'user','content':`` 'What is the current price of MSFT'}],`` ` `# provide a tool to get the current price of a stock` `tools=[{` `'type': 'function',` `'function': {` `'name': 'get_current_stock_price',` `'description': 'Get the current price for a stock',` `'parameters': {` `'type': 'object',` `'properties': {` `'ticker_symbol': {` `'type': 'string',` `'description': 'The ticker symbol of the stock',` `},` `},` `'required': ['ticker_symbol'],` `},` `},` `},` `],``)`` ``print(response['message']['tool_calls'])
动态调用工具。
# Create a dictionary mapping function names to functions``function_map = {` `'get_current_stock_price': get_current_stock_price,` `# Add more functions here as needed``}`` ``def call_function_safely(response, function_map):` `# Extract the function name and arguments from the response` `tool_call = response['message']['tool_calls'][0]` `function_name = tool_call['function']['name']` `arguments = tool_call['function']['arguments']`` ` `# Look up the function in the function map` `function_to_call = function_map.get(function_name)`` ` `if function_to_call:` `try:` `# Call the function with the arguments` `result = function_to_call(**arguments)` `print(f"The current price of {arguments['ticker_symbol']} is : {result}")` `except TypeError as e:` `print(f"Argument error: {e}")` `else:` `print(f"{function_name} is not a recognized function")`` ``call_function_safely(response, function_map)
这个操作产生了以下结果,
The current price of MSFT is : 427.4599914550781
对我来说,这个结果相当准确了。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。