Chamada de ferramentas (Function Calling)

Cenários de uso

O recurso Function Calling permite que o modelo interaja com ferramentas externas para obter informações em tempo real ou executar operações específicas. Esse recurso aumenta a precisão dos dados e expande as capacidades do modelo, permitindo que ele deixe de ser apenas um gerador simples de texto e passe a oferecer suporte a cenários de aplicação mais dinâmicos e práticos. Exemplos de cenários de uso de Function Calling:

Consulta de informações dinâmicas: chame APIs para obter dados dinâmicos em tempo real de sistemas externos, como clima, notícias e cotações de ações. Por exemplo, ao chamar uma API de clima para obter informações meteorológicas em tempo real, quando o usuário pergunta sobre o clima atual, o modelo pode informar as condições climáticas do momento, em vez de fornecer uma previsão desatualizada.
Automação de tarefas e operações: execute operações específicas por meio de chamadas de função, permitindo que o usuário acione operações automatizadas no backend por meio da conversa. Por exemplo, ao chamar a API de um site de venda de ingressos para reservar entradas, quando o usuário pergunta como comprar ingressos para uma atração, o modelo não apenas explica como comprar, mas também pode ajudar o usuário a concluir diretamente a operação de reserva.

Modelos compatíveis

Os modelos abaixo são compatíveis com Function Calling:

Como usar

Defina as funções de ferramenta que o modelo chamará.
Adicione o parâmetro tools à requisição para definir as funções que o modelo usará.

Exemplo de uso

A seguir, fornecemos um exemplo completo de código Python usando a consulta do clima atual de um local como exemplo para demonstrar como usar Function Calling. Para o formato específico da API de Function Calling, consulte a API de criação de requisição de conversa por chat.

1. Inicializar o cliente

Você precisa inicializar o cliente usando sua chave de API da JieKou AI.

from openai import OpenAI
import json

client = OpenAI(
    base_url="https://api.highwayapi.ai/openai",
    api_key="<Your API Key>",
)

model = "deepseek/deepseek-v3"

2. Definir a função a ser chamada

Defina a função que o modelo chamará. O exemplo em Python abaixo demonstra uma função para obter informações meteorológicas.

# Função de exemplo para simular a obtenção de dados meteorológicos.
def get_weather(location):
    """Obtém o clima atual do local especificado"""
    print("Chamando a função get_weather, local: ", location)
    # Em uma aplicação real, você precisará chamar uma API externa de clima aqui.
    # Este é um exemplo simplificado que retorna dados codificados.
    return json.dumps({"位置": location, "温度": "20 graus Celsius"})

3. Construir a requisição da API que inclui ferramentas e a mensagem do usuário

Crie uma requisição de chamada da API. Essa requisição inclui o parâmetro tools, que define as funções que o modelo usará, além da mensagem do usuário.

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Obtém o clima de um local; o usuário deve primeiro fornecer o local",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "Informações da cidade, por exemplo: Xangai",
                    }
                },
                "required": ["location"]
            },
        }
    },
]
messages = [
    {
        "role": "user",
        "content": "Como está o clima em Xangai?"
    }
]
# Envia a requisição e imprime a resposta
response = client.chat.completions.create(
    model=model,
    messages=messages,
    tools=tools,
)
# Em produção, verifique se a resposta contém uma chamada de ferramenta
tool_call = response.choices[0].message.tool_calls[0]
print(tool_call.model_dump())

Saída:

{'id': '0', 'function': {'arguments': '{"location": "Xangai"}', 'name': 'get_weather'}, 'type': 'function'}

4. Responder com base no resultado da chamada de função e obter a resposta final

Em seguida, processe a chamada de função, execute a função get_weather e envie o resultado de volta ao modelo para gerar a resposta final ao usuário.

# Certifique-se de que a chamada de ferramenta foi definida na etapa anterior
if tool_call:
    # Estende o histórico da conversa adicionando a mensagem de chamada de ferramenta do assistente
    messages.append(response.choices[0].message)

    function_name = tool_call.function.name
    if function_name == "get_weather":
        function_args = json.loads(tool_call.function.arguments)
        # Executa a função e obtém a resposta
        function_response = get_weather(
            location=function_args.get("location"))
        # Adiciona a resposta da função às mensagens
        messages.append(
            {
                "tool_call_id": tool_call.id,
                "role": "tool",
                "content": function_response,
            }
        )

    # Obtém a resposta final do modelo, incluindo o resultado da função
    answer_response = client.chat.completions.create(
        model=model,
        messages=messages,
        # Observação: não inclua o parâmetro tools aqui
    )
    print(answer_response.choices[0].message)

Saída:

ChatCompletionMessage(content="Atualmente, a temperatura em Xangai é de 20 graus Celsius. Observe que as condições climáticas podem mudar a qualquer momento; recomendamos consultar a previsão do tempo mais recente para obter informações mais precisas.", refusal=None, role='assistant', function_call=None, tool_calls=None)

Código completo

from openai import OpenAI
import json

client = OpenAI(
    base_url="https://api.highwayapi.ai/openai",
    api_key="<Your API Key>",
)

model = "deepseek/deepseek-v3"

# Função de exemplo para simular a obtenção de dados meteorológicos.
def get_weather(location):
    """Obtém o clima atual do local especificado"""
    print("Chamando a função get_weather, local: ", location)
    # Em uma aplicação real, você precisará chamar uma API externa de clima aqui.
    # Este é um exemplo simplificado que retorna dados codificados.
    return json.dumps({"位置": location, "温度": "20 graus Celsius"})

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Obtém o clima de um local; o usuário deve primeiro fornecer o local",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "Informações da cidade, por exemplo: Xangai",
                    }
                },
                "required": ["location"]
            },
        }
    },
]

messages = [
    {
        "role": "user",
        "content": "Como está o clima em Xangai?"
    }
]

# Envia a requisição e imprime a resposta
response = client.chat.completions.create(
    model=model,
    messages=messages,
    tools=tools,
)

# Em produção, verifique se a resposta contém uma chamada de ferramenta
tool_call = response.choices[0].message.tool_calls[0]
print(tool_call.model_dump())

# Certifique-se de que a chamada de ferramenta foi definida na etapa anterior
if tool_call:
    # Estende o histórico da conversa adicionando a mensagem de chamada de ferramenta do assistente
    messages.append(response.choices[0].message)

    function_name = tool_call.function.name
    if function_name == "get_weather":
        function_args = json.loads(tool_call.function.arguments)
        # Executa a função e obtém a resposta
        function_response = get_weather(
            location=function_args.get("location"))
        # Adiciona a resposta da função às mensagens
        messages.append(
            {
                "tool_call_id": tool_call.id,
                "role": "tool",
                "content": function_response,
            }
        )

    # Obtém a resposta final do modelo, incluindo o resultado da função
    answer_response = client.chat.completions.create(
        model=model,
        messages=messages,
        # Observação: não inclua o parâmetro tools aqui
    )
    print(answer_response.choices[0].message)

Introdução

API de LLM

Provedores de modelos

Recursos do modelo

Configuração de ferramentas de terceiros

Chamada de ferramentas (Function Calling)

Cenários de uso

Modelos compatíveis

Como usar

Exemplo de uso

1. Inicializar o cliente

2. Definir a função a ser chamada

3. Construir a requisição da API que inclui ferramentas e a mensagem do usuário

4. Responder com base no resultado da chamada de função e obter a resposta final

Código completo

​Cenários de uso

​Modelos compatíveis

​Como usar

​Exemplo de uso

​1. Inicializar o cliente

​2. Definir a função a ser chamada

​3. Construir a requisição da API que inclui ferramentas e a mensagem do usuário

​4. Responder com base no resultado da chamada de função e obter a resposta final

​Código completo

Cenários de uso

Modelos compatíveis

Como usar

Exemplo de uso

1. Inicializar o cliente

2. Definir a função a ser chamada

3. Construir a requisição da API que inclui ferramentas e a mensagem do usuário

4. Responder com base no resultado da chamada de função e obter a resposta final

Código completo