OpenAI推出的函数调用(function calling)功能其实是一个巨大的创新。它面向开发者，技术性强，但所有从业者都应理解。
下面我们深入浅出地解释它的原理和能力。
从本质上讲，对于LLM的开发者，这就像是为ChatGPT加上了插件。这让工程师为大脑加上了手脚，增加了它可以做的事情。
后面有具体例子：
下面我们深入浅出地解释它的原理和能力。
从本质上讲，对于LLM的开发者，这就像是为ChatGPT加上了插件。这让工程师为大脑加上了手脚，增加了它可以做的事情。
后面有具体例子：
基本流程如下，形成一个循环：
1️⃣开发者🇺给LL发🅿️指令并提供工具列表（function)。
2️⃣LLM返回如何执行🇹工具和对应的参数。
3️⃣🇺根据LLM返回的🇹工具和参数，在本地执行🇹工具，获取执行结果。
4️⃣利用这个结果重新组织🅿️指令，告知LLM这次的执行结果，再决定下次应该怎么执行和参数是什么
不断循环
1️⃣开发者🇺给LL发🅿️指令并提供工具列表（function)。
2️⃣LLM返回如何执行🇹工具和对应的参数。
3️⃣🇺根据LLM返回的🇹工具和参数，在本地执行🇹工具，获取执行结果。
4️⃣利用这个结果重新组织🅿️指令，告知LLM这次的执行结果，再决定下次应该怎么执行和参数是什么
不断循环
以“为本公司客户数量最多的城市预约一个可容纳1万人的大会议厅”（简称命令🅿️）为例，要完成这个任务，除了LLM，还需要三个工具：
🇹1️⃣：本公司的客户数据库
🇹2️⃣：搜索引擎，找到合适的会议厅
🇹3️⃣：预约会议厅的接口
接下来，我们看看开发者（简称🇺）如何配合LLM自动完成上述任务：
🇹1️⃣：本公司的客户数据库
🇹2️⃣：搜索引擎，找到合适的会议厅
🇹3️⃣：预约会议厅的接口
接下来，我们看看开发者（简称🇺）如何配合LLM自动完成上述任务：
1️⃣第一步
🇺将命令🅿️告诉LLM，并通知LLM可以使用三个工具（🇹1-🇹3）。
LLM收到命令后，开始思考🅿️。首先，它需要解决的第一个问题是“本公司客户数量最多的城市是哪个”（简称🇶1）。然后，它发现🇹1中有客户数据库。接着，它根据数据库的模式，编写一段SQL查询语句，然后返回给🇺，让🇺执行这个查询
🇺将命令🅿️告诉LLM，并通知LLM可以使用三个工具（🇹1-🇹3）。
LLM收到命令后，开始思考🅿️。首先，它需要解决的第一个问题是“本公司客户数量最多的城市是哪个”（简称🇶1）。然后，它发现🇹1中有客户数据库。接着，它根据数据库的模式，编写一段SQL查询语句，然后返回给🇺，让🇺执行这个查询
2️⃣第二步：
🇺执行这个查询，获得结果，比如“深圳”。
然后，🇺用命令🅿️再次调用LLM，除了告诉LLM有三个工具🇹，还需要告诉LLM：
1. 🇺根据LLM的建议使用了🇹1和SQL
2. 使用🇹1和SQL的查询结果是“深圳”
这就是命令🅿️2。
🇺执行这个查询，获得结果，比如“深圳”。
然后，🇺用命令🅿️再次调用LLM，除了告诉LLM有三个工具🇹，还需要告诉LLM：
1. 🇺根据LLM的建议使用了🇹1和SQL
2. 使用🇹1和SQL的查询结果是“深圳”
这就是命令🅿️2。
3️⃣第三步：
LLM收到命令🅿️2，它还是思考第一个问题🇶1。然后它发现🇹1 + SQL的结果已经得出，是深圳。
然后，它开始考虑第二个问题，“深圳有哪些可以容纳1万人的大会议厅”（🇶2）。这时，它发现了🇹2可以用来搜索。然后它返回给用户🇺，请用“深圳一个1万人的大会议厅”进行搜索。
LLM收到命令🅿️2，它还是思考第一个问题🇶1。然后它发现🇹1 + SQL的结果已经得出，是深圳。
然后，它开始考虑第二个问题，“深圳有哪些可以容纳1万人的大会议厅”（🇶2）。这时，它发现了🇹2可以用来搜索。然后它返回给用户🇺，请用“深圳一个1万人的大会议厅”进行搜索。
4️⃣第四步：
🇺根据LLM的提示使用🇹2搜索“深圳1万人的大会议厅”，并获得结果。然后，🇺再次调用LLM，使用🅿️，并告诉LLM：
1. 🇹1+SQL “本公司客户最多的城市是深圳”，结果是“深圳”
2. 🇹2+查询“深圳一个1万人的大会议厅”，结果是“南山希尔顿”
这就是命令🅿️3。
🇺根据LLM的提示使用🇹2搜索“深圳1万人的大会议厅”，并获得结果。然后，🇺再次调用LLM，使用🅿️，并告诉LLM：
1. 🇹1+SQL “本公司客户最多的城市是深圳”，结果是“深圳”
2. 🇹2+查询“深圳一个1万人的大会议厅”，结果是“南山希尔顿”
这就是命令🅿️3。
5️⃣第五步：
LLM收到命令🅿️3，它再次考虑第一个问题🇶1和第二个问题🇶2，并发现已经有了结果。
然后它思考第三个问题，“如何预约南山希尔顿大会议厅”（🇶3），然后发现🇹3（预约会议厅的接口）可以使用，它返回给🇺，建议使用🇹3预约南山希尔顿大会议厅。
LLM收到命令🅿️3，它再次考虑第一个问题🇶1和第二个问题🇶2，并发现已经有了结果。
然后它思考第三个问题，“如何预约南山希尔顿大会议厅”（🇶3），然后发现🇹3（预约会议厅的接口）可以使用，它返回给🇺，建议使用🇹3预约南山希尔顿大会议厅。
6️⃣第六步
🇺根据LLM的建议，使用🇹3预约了“南山希尔顿1万人的大会议厅”，并获得了预约结果。然后，🇺再次调用LLM，使用🅿️，并告诉LLM更多信息：
1. 🇹1+SQL “本公司客户最多的城市是深圳”，结果是“深圳”
2. 🇹2+查询“深圳1万人的大会议厅”，结果是“南山希尔顿”
3. 🇹3+预约，预约结果
这就是命令🅿️4
🇺根据LLM的建议，使用🇹3预约了“南山希尔顿1万人的大会议厅”，并获得了预约结果。然后，🇺再次调用LLM，使用🅿️，并告诉LLM更多信息：
1. 🇹1+SQL “本公司客户最多的城市是深圳”，结果是“深圳”
2. 🇹2+查询“深圳1万人的大会议厅”，结果是“南山希尔顿”
3. 🇹3+预约，预约结果
这就是命令🅿️4
7️⃣第七步：
LLM收到命令🅿️4，它再次思考第一个问题🇶1，第二个问题🇶2和第三个问题🇶3，发现所有问题都已经得到了解决。
于是，LLM返回一段正常的总结文本给🇺，告诉它：“您公司客户最多的城市是深圳，深圳的南山希尔顿有一个可以容纳1万人的会议厅，已经为您预约了”。
LLM收到命令🅿️4，它再次思考第一个问题🇶1，第二个问题🇶2和第三个问题🇶3，发现所有问题都已经得到了解决。
于是，LLM返回一段正常的总结文本给🇺，告诉它：“您公司客户最多的城市是深圳，深圳的南山希尔顿有一个可以容纳1万人的会议厅，已经为您预约了”。
这样，对于用户来说，一句话就解决了这么复杂的问题。而且我们可以看到，随着过程的进行，命令的长度越来越长。这就是为什么OpenAI发布了能处理16K上下文的模型，让这样的复杂问题得以解决。
如果您对AI有更多兴趣，请加入我们的社区一起学习！ discord.gg
如果您对AI有更多兴趣，请加入我们的社区一起学习！ discord.gg
Loading suggestions...