调用通义千问大模型Function Calling实现实时天气查询

最新推荐文章于 2025-03-11 17:35:08 发布

小马不会过河

最新推荐文章于 2025-03-11 17:35:08 发布

阅读量1.3k

点赞数 21

文章标签：数据库前端人工智能算法知识图谱语言模型

本文链接：https://blog.csdn.net/m0_59163425/article/details/144435106

版权

OpenAI 在它的多个版本的模型里提供了一个非常有用的功能叫 Function Calling，就是你传递一些方法的信息给到大模型，大模型根据用户的提问选择合适的方法Function，然后输出给你，你再来决定是否执行。

之所以需要Function Calling，通俗来讲就是大模型不具备实时性。因为模型是基于之前的数据训练出来的。而 Function Calling 具备实时性的优势，比如调用第三方API、或者 Database 来获取实时数据。这样结合2者的优势就能给到用户最正确最合理的反馈结果。

Function Calling 流程

实现 Function Calling 需要以下几步：

预定义需要调用的Function函数
将定义好的Function以及需要的Parameter传入大模型
解析大模型返回结果，调用相应的Function获取实时结果
将Function返回的结果重新传给大模型，返回统一的NLG结果

具体的流程如下图所示：

接下来我们用查询实时天气为例，将这4步依次完成。

1. 定义获取实时天气Function

首先需要查询实时天气的接口API，我使用的是免费的心知天气API ，返回的JSON合适如下：

{`    `'results': [`            `{`                `'location': {`                `'id': 'WTW3SJ5ZBJUY',`                `'name': '上海',`                `'country': 'CN',`                `'path': '上海,上海,中国',`                `'timezone': 'Asia/Shanghai',`                `'timezone_offset': '+08:00'`            `},`            `'now': {`                 `'text': '多云',`                 `'code': '4',`                 `'temperature': '22'`             `}`         `}`    `]``}

可以看出需要解析出 now 字段中的 text 和 temperature 值，具体实现代码如下：

import json``import requests``   ``def get_current_weather(location):`    `url = "https://api.seniverse.com/v3/weather/now.json?key=你的心知天气API Key&location=" + location + "&language=zh-Hans&unit=c"`    `response = requests.get(url)`    `if response.status_code == 200:`        `data = response.json()`        `weather = data['results'][0]['now']['text']`        `temp = data['results'][0]['now']['temperature']`        `return json.dumps({"location": location, "weather": weather, "temperature": temp})`    `else:`        `return json.dumps({"location": location, "error": "获取实时天气数据失败!"})

上述代码中的key需要使用你自己申请的API Key。

2. 将Function传入大模型

2.1 声明大模型 function list

功能函数Function定义好之后，就需要通过function list将其传给大模型。function list 的具体格式根据你所选择的大模型的不同，可能会有所差异。具体需要按照各自大模型的官方文档来集成。这篇文章我使用的是通义千问大模型，格式如下：

functions = [`    `# 获取指定城市的天气`    `{`        `"type": "function",`        `"function": {`            `"name": "get_current_weather",`            `"description": "当你想查询指定城市的天气时非常有用。",`            `"parameters": {  # 查询天气时需要提供位置，因此参数设置为location`                `"type": "object",`                `"properties": {`                    `"location": {`                        `"type": "string",`                        `"description": "城市或县区，比如北京市、杭州市、余杭区等。"`                    `}`                `}`            `},`            `"required": [`                `"location"`            `]`        `}`    `}``]

上述代码中我们定义了一个 functions 数组，在这个数组中有一个结构体 type类型为 function。然后在这个 function 中有2项内容很重要：name 和 description。

name 代表函数Function的名字；description 是告诉大模型什么时候需要返回需要调用当前function的结果。

另外，因为我们定义的 get_current_weather 函数需要传入参数 location，所以在上述代码中我们还需要声明一下 parameters。这样大模型就可以根据上下文返回给调用方合理的参数。

2.2 声明大模型接口调用的函数

然后调用相应大模型的接口，传入上述格式代码。根据通义千问官方文档具体传入方式如下：

import dashscope``from dashscope import Generation``import json``import requests``# 调用通义千问接口``def query_from_qwen(messages):`    `response = Generation.call(`        `api_key="你的通义千问API Key",`        `model='qwen-plus',`        `messages=messages,`        `tools=functions,`        `seed=random.randint(1, 10000),  # 设置随机数种子seed，如果没有设置，则随机数种子默认为1234`        `result_format='message'  # 将输出设置为message形式`    `)`    `return response

2.3 构建messages执行query_from_qwen

代码如下：

# 模拟用户输入：青岛天气``messages = [`    `{"content": "青岛天气", "role": "user"}``]``# 执行query_from_qwen,打印结果``llm_response = query_from_qwen(messages)``print(llm_response)

大模型返回结果

上图中可以看出，大模型返回了 tool_calls 字段。说明针对用户输入"青岛天气"，已经正确理解出需要调用 get_current_weather function，并且正确提取出参数是 青岛市 。

3. 解析大模型结果调用Function

接下来就是解析上图中的 tool_calls 信息，并手动调用 get_current_weather 函数。

def parse_llm_response(llm_response):`    `assistant_output = llm_response.output.choices[0].message`    `if 'tool_calls' not in assistant_output:  # 如果模型判断无需调用工具，则将assistant的回复直接打印出来，无需进行模型的第二轮调用`        `print(f"最终答案：{assistant_output.content}")`        `return`    `# 如果模型选择的工具是get_current_weather`    `elif assistant_output.tool_calls[0]['function']['name'] == 'get_current_weather':`        `tool_info = {"name": "get_current_weather", "role": "tool"}`        `location = json.loads(assistant_output.tool_calls[0]['function']['arguments'])['location']`        `tool_info['content'] = get_current_weather(location)`    `return tool_info

将 get_current_weather 函数返回的数据包装到 tool_info 中，tool_info 结果如下：

{`  `"name": "get_current_weather",`  `"role": "tool",`  `"content": {`    `"location": "青岛",`    `"weather": "多云",`    `"temperature": "12"``}

最后一步就是将此 tool_info 重新返回给大模型，并返回最终结果。

4. 大模型返回最终NLG结果

将第 3 步返回的 tool_info 信息重新添加到 messages 中，并重新调用 query_from_qwen

messages.append(tool_info)``llm_final_response = query_from_qwen(messages)``print(f"\n大模型最终输出信息：{llm_final_response}\n")

最终打印结果如下：

最终大模型根据上下文理解以及传入的天气信息，返回了最合适的NLG结果。只需要将output中的content值解析出来并反馈给用户即可。

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。

在这里插入图片描述