`;
});
clearInterval(interval);
}
attempts++;
if (attempts >= maxAttempts) {
clearInterval(interval);
}
}, 200);
return ;
}
};
## Сценарии использования
Функция Function Calling позволяет модели взаимодействовать с внешними инструментами, получать информацию в реальном времени или выполнять определенные действия. Эта функция повышает точность данных и расширяет возможности модели: она становится не просто генератором текста, а может поддерживать более динамичные и практичные сценарии применения.
Примеры сценариев использования Function Calling:
* **Запрос динамической информации**: вызов API для получения динамических данных из внешних систем в реальном времени, таких как погода, новости, котировки акций и т. д. Например, при вызове погодного API для получения текущей погоды, когда пользователь спрашивает о погоде сейчас, модель может сообщить фактические погодные условия на текущий момент, а не предоставить устаревший прогноз.
* **Автоматизация операций с задачами**: выполнение определенных действий через вызовы функций, позволяя пользователю запускать автоматизированные операции на стороне бэкенда через диалог. Например, вызов API сайта бронирования билетов для заказа билетов: когда пользователь спрашивает, как купить билет в определенную достопримечательность, модель не просто объясняет, как это сделать, а может помочь пользователю напрямую завершить покупку.
## Поддерживаемые модели
Следующие модели поддерживают Function Calling:
## Как использовать
1. Определите функции инструментов, которые должна вызывать модель.
2. Добавьте в запрос параметр `tools`, чтобы определить функции, которые должна использовать модель.
## Пример использования
Ниже приведен полный пример кода на Python, демонстрирующий использование Function Calling на примере запроса текущей погоды в определенном месте.
Подробный формат API для Function Calling см. в [API запроса создания чат-диалога](/ru/docs/models/reference-llm-create-chat-completion).
### 1. Инициализация клиента
Необходимо инициализировать клиент с помощью вашего API-ключа JieKou AI.
```python theme={null}
from openai import OpenAI
import json
client = OpenAI(
base_url="https://api.highwayapi.ai/openai",
api_key="",
)
model = "deepseek/deepseek-v3"
```
### 2. Определение функции для вызова
Определите функцию, которую должна вызывать модель. Следующий пример Python демонстрирует функцию получения информации о погоде.
```python theme={null}
# 示例函数，用于模拟获取天气数据。
def get_weather(location):
"""获取指定地点的当前天气"""
print("调用 get_weather 函数，位置: ", location)
# 在实际应用中，您需要在这里调用外部天气 API。
# 这是一个简化示例，返回硬编码数据。
return json.dumps({"位置": location, "温度": "20 摄氏度"})
```
### 3. Создание API-запроса с инструментами и сообщением пользователя
Создайте запрос для вызова API. Этот запрос включает параметр `tools`, который определяет функцию, используемую моделью, а также сообщение пользователя.
```python theme={null}
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取一个地点的天气，用户需要首先提供地点",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市信息, 例如：上海",
}
},
"required": ["location"]
},
}
},
]
messages = [
{
"role": "user",
"content": "上海的天气怎么样？"
}
]
# 发送请求并打印响应
response = client.chat.completions.create(
model=model,
messages=messages,
tools=tools,
)
# 请在生产环境中检查响应是否包含工具调用
tool_call = response.choices[0].message.tool_calls[0]
print(tool_call.model_dump())
```
**Вывод**:
```js theme={null}
{'id': '0', 'function': {'arguments': '{"location": "上海"}', 'name': 'get_weather'}, 'type': 'function'}
```
### 4. Ответ на основе результата вызова функции и получение окончательного ответа
Далее обработайте вызов функции, выполните функцию `get_weather` и отправьте результат обратно модели, чтобы сгенерировать окончательный ответ для пользователя.
```python theme={null}
# 确保工具调用已从上一步定义
if tool_call:
# 扩展对话历史记录，添加助手工具调用消息
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)
# 执行函数并获取响应
function_response = get_weather(
location=function_args.get("location"))
# 将函数响应添加到消息中
messages.append(
{
"tool_call_id": tool_call.id,
"role": "tool",
"content": function_response,
}
)
# 从模型获取最终响应，包含函数结果
answer_response = client.chat.completions.create(
model=model,
messages=messages,
# 注意：不要在此处包含 tools 参数
)
print(answer_response.choices[0].message)
```
**Вывод**:
```
ChatCompletionMessage(content="上海目前的温度是 20 摄氏度。请注意，天气情况可能会随时变化，建议您查看最新的天气预报以获取更准确的信息。", refusal=None, role='assistant', function_call=None, tool_calls=None)
```
## Полный код
```python theme={null}
from openai import OpenAI
import json
client = OpenAI(
base_url="https://api.highwayapi.ai/openai",
api_key="",
)
model = "deepseek/deepseek-v3"
# 示例函数，用于模拟获取天气数据。
def get_weather(location):
"""获取指定地点的当前天气"""
print("调用 get_weather 函数，位置: ", location)
# 在实际应用中，您需要在这里调用外部天气 API。
# 这是一个简化示例，返回硬编码数据。
return json.dumps({"位置": location, "温度": "20 摄氏度"})
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取一个地点的天气，用户需要首先提供地点",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市信息, 例如：上海",
}
},
"required": ["location"]
},
}
},
]
messages = [
{
"role": "user",
"content": "上海的天气怎么样？"
}
]
# 发送请求并打印响应
response = client.chat.completions.create(
model=model,
messages=messages,
tools=tools,
)
# 请在生产环境中检查响应是否包含工具调用
tool_call = response.choices[0].message.tool_calls[0]
print(tool_call.model_dump())
# 确保工具调用已从上一步定义
if tool_call:
# 扩展对话历史记录，添加助手工具调用消息
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)
# 执行函数并获取响应
function_response = get_weather(
location=function_args.get("location"))
# 将函数响应添加到消息中
messages.append(
{
"tool_call_id": tool_call.id,
"role": "tool",
"content": function_response,
}
)
# 从模型获取最终响应，包含函数结果
answer_response = client.chat.completions.create(
model=model,
messages=messages,
# 注意：不要在此处包含 tools 参数
)
print(answer_response.choices[0].message)
```