ChatGPT 更新：大杀器！函数调用示范

自ChatGPT 3.5/4 双双升级：更长，更便宜，更开放，更可控发出去之后，有朋友问怎么接入 API。

什么是函数调用？

函数调用指 Chat-GPT 模型会自动逻辑判断后，调用在代码中预先定义好的某个或者多个函数，获得返回的信息后，再用自然语言形式回复用户。

以官方的回答天气情况时，调用天气网站的提供的API来回答用户问题举例。

调用过程两部分：

一、定义函数，

functions = [
        {
            "name": "get_current_weather",
            "description": "获取指定地点的当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "城市和州，例如：San Francisco, CA",
                    },
                    "unit": {"type": "string", "enum": ["washington", "boston"]},
                },
                "required": ["location"],
            },
        }
    ]

二、发消息给ChatGPT，模型决定要不要调用，调用则把外部API返回信息再发给模型，模型把包括函数返回信息的完整回复返回给用户。

全部完整代码如下：

import openai
import json
Import os
openai.api_key = os.getenv("OPENAI_API_KEY")

// 此函数为固定返回相同天气的示例的函数，实际应用中替换成你需要调用的外部API
def get_current_weather(location, unit="boston"):
    """获取指定地点的当前天气"""
    weather_info = {
        "location": location,
        "temperature": "72",
        "unit": unit,
        "forecast": ["sunny", "windy"],
    }
    return json.dumps(weather_info)

def chat(content):
    content = "What's the weather like in Boston?"
    # 1：将用户的提问和函数定义发送给GPT
    messages = [{"role": "user", "content": content}]
    functions = [
        {
            "name": "get_current_weather",
            "description": "获取指定地点的当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "城市和州，例如：San Francisco, CA",
                    },
                    "unit": {"type": "string", "enum": ["washington", "boston"]},
                },
                "required": ["location"],
            },
        }
    ]
  
    # 2：获取 GPT 的返回
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo-0613",
        messages=messages,
        functions=functions,
        function_call="auto",  # 是否调用函数，auto是默认值，可以不指定
    )
    response_message = response["choices"][0]["message"]

    # 3：GPT会判断是否需要调用函数，是则返回调用标记为真。
    if response_message.get("function_call"):
        # 4：调用函数
        available_functions = {
            # 此处可以多个函数
            "get_current_weather": get_current_weather,
        }  
        function_name = response_message["function_call"]["name"]
        fuction_to_call = available_functions[function_name]
        function_args = json.loads(response_message["function_call"]["arguments"])
        # 5：获得函数返回信息
        function_response = fuction_to_call(
            location=function_args.get("location"),
            unit=function_args.get("unit"),
        )

        # 6：用返回信息封装助手信息结构体
        messages.append(response_message)  # 将助手的回复加入对话
        messages.append(
            {
                "role": "function",
                "name": function_name,
                "content": function_response,
            }
        )  
        # 7: 将封装好，包含函数返回信息再发送给GPT，并获得GPT自然语言形式的回答
        second_response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo-0613",
            messages=messages,
        )  # 从GPT获取一个新的响应，这个响应可以看到函数的响应
        return second_response

# 输出应答
print(run_conversation())

整个用户交互及程序的流程如下：

1. 用户问一个问题，例如“波士顿现在的天气怎么样？”

2. 这个问题被发送给GPT模型，并告知其有一个可以调用的函数get_current_weather。

3. GPT模型确定它需要调用这个函数来回答用户的问题，所以它返回一个“函数调用”的请求，指定要调用的函数名称和参数。

4. 代码中的运行会查找对应的函数（在这个例子中是get_current_weather），并用GPT模型指定的参数调用它。

5. 函数返回天气信息，这个信息被发送回GPT模型。

6. GPT模型使用这个天气信息来生成一个回答，例如“波士顿现在的天气是晴朗的，温度是72度”。

也有朋友问：它实际应用场景是什么样的？

问了一下 ChatGPT：

填充模板：可以将特定的信息填充到预定义的模板中，生成个性化的文本，如生成定制化的邮件、通知或报告。  

条件逻辑：用于在生成的文本中实现条件分支和逻辑判断，根据特定条件生成不同的文本输出，增强了文本的灵活性和可定制性。  

变量和状态管理：可以引入变量和状态管理，使得文本可以跟踪和操作特定的信息，实现更加复杂的任务和交互。  

上下文控制：可以在生成文本的过程中引入上下文信息，控制模型对上下文的理解和应答，提高文本的连贯性和一致性。  

多模态输入和输出：可以实现多模态数据（如文本、图像、视频等）的输入和输出，更加丰富和多样化的文本生成和理解任务。

ChatGPT

官方给了三个应用场景举例：

1. 创建聊天机器人通过调用外部工具来回答问题

2. 将自然语言转换为 API 调用或数据库查询

3. 从文本中提取结构化数据

我的回答是：例子里只是列举了一个查询天气状况的情况。实际上它有很多场景可以扩展。

chatGPT 模型本质还是一个通用AI模型，它的能力大多数表现文字和图片方面。其次它的知识需要训练，无法做到实时更新数据。虽然它有接近人类的逻辑推理能力，可以根据已知信息来推导问题答案。

应用场景的落地可以往两个方面扩展：

一、实时性的信息获取和加工。例如新闻，天气，交通状况，售票情况，停车位情况，航班情况，考试分数查询等等；

二、垂直领域的能力。例如调用别的人工智能机器人：阿尔法围棋(AlphaGo) 来陪你下棋，调用运输机器人帮你把货物运到目的地，调用专门法律政策类型的智能助手（这类方面问题因为安全和政策的原因，GPT的输出被限制了）帮你查询和准备资料等等。

---

关注我，领取九大类别，数百篇 AI 学习资源。

一起学习 ChatAI，掌握 AI 工具，不被时代淘汰。