function calling实现调用理杏仁api获取数据

LLM是不存在真正逻辑的且并不是知晓万事万物的（至少目前是这样）在很多更垂直的环境下LLM并不能很好的赋能。
function calling的实现使LLM可以对接真正的世界以及真正有逻辑的系统，这将很大程度上改变LLM的可用范围（当然安全问题依旧是不容忽视的事）。

环境简述

model: gpt-3.5-turbo
api: 理杏仁开放平台

tools

首先我们需要分析需求涉及到什么逻辑功能（函数），并且将该功能的用途，参数及参数的用途进行格式化整理（json/yaml格式）。
针对理杏仁的使用，以下为一个简单的需求：

可以获取到某天某指数的PE-TTM的当前分位点

针对上述需求可以拆分出如下几点：

针对需求有两个api是我们将会调用的：基础信息（获取所有指数），基本面数据（获取日期的指数数据）
我们需要保证user指定的指数是存在的，基础信息api，从中拿到指数代码，当无法找到时结束当前对话【get_code】
我们需要指定日期，user可能会使用类似今天昨天等词汇，我们需要自构建函数可以处理日期【date】
当我们有了指数代码和日期后便可以调用基本面数据api获得对应的数据【get_cvpos】

step1: 构建函数

针对上述分析，我们需要三个函数，其中两个函数主要工作是调用api（get_code 和 get_cvpos）另外一个是获取当前日期的函数（date）
具体函数内容如下:

def get_code(self, name: str):
	print(f"name: {name}")
    response = requests.post(f"{self.url}", json=self.base_json).json()
    for item in response["data"]:
    	if item["name"] == name:
        	return {"stockcode": item["stockCode"]}
    return {"stockcode": f"未找到{name}, 请检查输入！"}
            
def get_cvpos(self, stockcode: str, date: str):
	print(f"stockcode: {stockcode}, date: {date}")
    data = self.base_json
   	data.update(
    	{
        	"date": date,
            "stockCodes": [stockcode],
            "metricsList": ["pe_ttm.