使用 Ollama、Llama 3.1 和 Milvus 实现Function Calling 功能

将函数调用（Function Calling）与 LLM 相结合能够扩展您的 AI 应用的能力。通过将您的大语言模型（LLM）与用户定义的 Function 或 API 集成，您可以搭建高效的应用，解决实际问题。

本文将介绍如何将 Llama 3.1 与 Milvus 和 API 等外部工具集成，构建具备上下文感知能力的应用。

01

Function Calling 简介

诸如 GPT-4、Mistral Nemo 和 Llama 3.1 之类的大语言模型（LLMs）现在可以检测何时需要调用函数，然后输出包含调用该函数参数的 JSON。这一突破能够有效提升您的 AI 应用的能力。

Functional calling 助力开发人员：

• 搭建 LLM 驱动数据提取和标记解决方案（例如：从维基百科文章中提取人物名字）

• 开发能够将自然语言转换为 API 命令或数据库查询语句的应用

• 打造对话式的知识库搜索引擎

使用的工具

• Ollama: 支持在您的笔记本电脑上使用强大的 LLM，有效简化本地操作流程。

• Milvus: 用于高效存储和检索数据的首选向量数据库

• 8B 模型的升级版本，支持多语言、更长的上下文长度（128K）和利用工具进行操作。

02

使用 Llama 3.1 和 Ollama

Llama 3.1 已经在 Function calling 方面进行了微调。它支持通过单一、嵌套和并行的方式调用函数，同时支持多轮调用函数。借助 Llama 3.1 您的 AI 应用可以处理涉及多个并行步骤的复杂任务。

在本文示例中，我们将通过不同的函数来模拟用于获取航班时间的 API，然后在 Milvus 中执行搜索。Llama 3.1 将根据用户的查询决定调用哪个函数。

03

安装依赖

首先，使用 Ollama 下载 Llama 3.1：

ollama run llama3.1

上述指令会将模型下载至您的笔记本电脑，您可以通过 Ollama 使用 Llama 3.1。接着，安装依赖：

! pip install ollama openai "pymilvus[model]"