6、函数调用（Function Calling）

Ollama 应用实践：函数调用（Function Calling）

函数调用（Function Calling）是一种强大的特性，它允许大型语言模型（LLMs）通过调用外部函数来扩展其功能和能力。这项技术可以使得语言模型能够访问和处理实时数据，或者执行一些需要特定工具才能完成的任务。

函数调用的原理

• 检测需求：LLMs 被训练来识别何时需要进行函数调用，这通常是基于用户的输入提示。
• 结构化请求：当检测到需要函数调用时，模型会生成一个结构化的调用请求，而不是传统的文本回复。
• 交互外部系统：通过函数调用，LLMs 能够与外部系统和APIs进行交互，获取或发送数据。

Function Calling 原理

什么是函数调用？

函数调用 是 OpenAI 的 GPT-4-0613 和 GPT-3.5 Turbo-0613 模型中的一项新功能。这些 AI 模型经过训练，可以根据用户的提示检测函数调用的需求，并以结构化的调用请求（而不是常规文本）进行响应。

函数调用允许大语言模型与其他系统交互，从而使 LLMs 能够回答它们原本无法回答的问题，例如需要实时信息或训练集中未包含的数据的问题。换句话说，函数调用提供了另一种方法来教 AI 模型如何与外部世界交互。

LLMs 函数调用流程

下面这张图简单描述了大语言模型函数调用流程：

(图片来自：https://semaphoreci.com/blog/function-calling)

Function Calling 模型

Ollama 现在支持与 Llama 3.1 等热门模型进行工具调用。这使模型能够使用它所了解的工具来回答给定的提示，从而使模型能够执行更复杂的任务或与外界互动。

示例工具包括：

• 函数和 API
• 网页浏览
• 代码解释器
• 多得多！

支持的型号

您可以在模型页面的工具类别下找到受支持的模型列表：

骆驼 3.1
米斯特拉尔·尼莫
消防功能 v2
Command-R +

注意：请运行ollama pull <model>命令检查您是否拥有最新型号

Qwen2

Qwen2 是阿里巴巴集团推出的全新系列大型语言模型。
Qwen2基于29 种语言的数据进行训练，包括英语和中文。

• 文档地址：https://ollama.com/library/qwen2

它有 4 种参数大小：0.5B、1.5B、7B、72B。
在 7B 和 72B 模型中，上下文长度已扩展至128k 个 token。

注意: 安装 ollama run qwen2 将下载一个 4.4GB 的 docker 镜像。

GLM-4

GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B 及其人类偏好对齐的版本 GLM-4-9B-Chat 均表现出超越 Llama-3-8B 的卓越性能。除了能进行多轮对话，GLM-4-9B-Chat 还具备网页浏览、代码执行、自定义工具调用（Function Call）和长文本推理（支持最大 128K 上下文）等高级功能。本代模型增加了多语言支持，支持包括日语，韩语，德语在内的 26 种语言。我们还推出了支持 1M 上下文长度（约 200 万中文字符）的 GLM-4-9B-Chat-1M 模型和基于 GLM-4-9B 的多模态模型 GLM-4V-9B。GLM-4V-9B 具备 1120 * 1120 高分辨率下的中英双语多轮对话能力，在中英文综合能力、感知推理、文字识别、图表理解等多方面多模态评测中，GLM-4V-9B 表现出超越 GPT-4-turbo-2024-04-09、Gemini1.0 Pro、Qwen-VL-Max 和 Claude 3 Opus 的卓越性能。

• 文档地址：https://ollama.com/library/glm4

ollama run glm4

Mistral

Mistral 是一个 7B 参数模型，使用 Apache 许可证发布。它可用于指令（指令跟踪）和文本完成。

Mistral AI 团队指出，Mistral 7B：

• 在所有基准测试中均优于 Llama 2 13B
• 在许多基准测试中均优于 Llama 1 34B
• 代码性能接近 CodeLlama 7B，同时仍能很好地完成英语任务

版本

Function Calling

Mistral 0.3 支持使用 Ollama 的原始模式进行函数调用。

• Example raw prompt

  [AVAILABLE_TOOLS] [{"type": "function", "function": {"name": "get_current_weather", "description": "Get the current weather", "parameters": {"type": "object", "properties": {"location": {"type": "string", "description": "The city and state, e.g. San Francisco, CA"}, "format": {"type": "string", "enum": ["celsius", "fahrenheit"], "description": "The temperature unit to use. Infer this from the users location."}}, "required": ["location", "format"]}}}][/AVAILABLE_TOOLS][INST] What is the weather like today in San Francisco [/INST]

• Example response

  [TOOL_CALLS] [{"name": "get_current_weather", "arguments": {"location": "San Francisco, CA", "format": "celsius"}}]

文档地址：https://ollama.com/library/mistral

ollama run mistral

Mixtral

Mixtral 大型语言模型 (LLM) 是一组预先训练的生成稀疏混合专家。

该模型有 2 种参数大小：

• mixtral:8x22b
• mixtral:8x7b

混合式 8x22b

ollama run mixtral:8x22b

Mixtral 8x22B 为 AI 社区树立了新的性能和效率标准。它是一种稀疏混合专家 (SMoE) 模型，仅使用 141B 中的 39B 个活动参数，就其规模而言，具有无与伦比的成本效益。

Mixtral 8x22B 具有以下优势：

• 精通英语、法语、意大利语、德语和西班牙语
• 它具有强大的数学和编码能力
• 它本身具有函数调用功能
• 64K 标记上下文窗口允许从大型文档中精确地调用信息

工具调用

tools要启用工具调用，请通过Ollama API 中的字段提供可用工具列表。

import ollama

response = ollama.chat(
    model='llama3.1',
    messages=[{'role': 'user', 'content': 'What is the weather in Toronto?'}],
    # provide a weather checking tool to the model
    tools=[{
      'type': 'function',
      'function': {
        'name': 'get_current_weather',
        'description': 'Get the current weather for a city',
        'parameters': {
          'type': 'object',
          'properties': {
            'city': {
              'type': 'string',
              'description': 'The name of the city',
            },
          },
          'required': ['city'],
        },
      },
    },
  ],
)

print(response['message']['tool_calls'])

支持的模型现在将回复tool_calls。工具响应可以通过角色消息提供tool。有关更多信息，请参阅API 文档。