微软生成式AI入门教程：使用函数调用增强AI应用能力-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_00917/article/details/148323272

微软生成式AI入门教程：使用函数调用增强AI应用能力

generative-ai-for-beginners 21 节课程，开始使用生成式 AI 进行构建项目地址: https://gitcode.com/gh_mirrors/ge/generative-ai-for-beginners

引言

在构建基于大型语言模型(LLM)的应用时，开发者经常面临两个核心挑战：如何获得结构化的响应数据，以及如何让AI模型访问外部数据源。微软生成式AI入门教程中的函数调用(Function Calling)功能正是为解决这些问题而设计的强大工具。

什么是函数调用？

函数调用是Azure OpenAI服务的一项特性，它允许开发者定义可被AI模型调用的函数模板。虽然LLM本身并不真正执行这些函数，但可以通过这种方式获得结构化的响应，开发者再根据这些结构化信息来实际调用对应的函数。

函数调用的核心价值

结构化响应：确保每次响应都遵循预定义的格式
外部数据集成：突破模型训练数据的限制，实时获取外部信息
操作执行：通过自然语言触发实际业务功能

实际问题演示

让我们通过一个教育领域的实际案例来理解函数调用的必要性。

学生信息提取问题

假设我们需要从学生描述文本中提取结构化信息：

student_description = "Emily Johnson是杜克大学计算机科学专业的大二学生，GPA 3.7..."

传统方式下，我们可能这样处理：

prompt = "请从文本中提取以下信息并以JSON格式返回: name, major, school, grades, club"
response = client.chat.completions.create(model=deployment, messages=[{"role": "user", "content": prompt}])

但这种方式存在明显问题：

响应格式不一致（如grades可能返回"3.7"或"3.7 GPA"）
无法保证必填字段
难以直接用于下游系统

函数调用解决方案

1. 定义函数结构

首先，我们需要定义一个函数模板：

functions = [
    {
        "name": "extract_student_info",
        "description": "从学生描述文本中提取结构化信息",
        "parameters": {
            "type": "object",
            "properties": {
                "name": {"type": "string", "description": "学生全名"},
                "major": {"type": "string", "description": "主修专业"},
                "school": {"type": "string", "description": "学校名称"},
                "gpa": {"type": "number", "description": "GPA分数"},
                "clubs": {"type": "array", "items": {"type": "string"}, "description": "参加的社团"}
            },
            "required": ["name", "major", "school"]
        }
    }
]

2. 调用AI服务

response = client.chat.completions.create(
    model=deployment,
    messages=[{"role": "user", "content": student_description}],
    functions=functions,
    function_call={"name": "extract_student_info"}
)

3. 处理响应

if response.choices[0].message.function_call:
    function_name = response.choices[0].message.function_call.name
    arguments = json.loads(response.choices[0].message.function_call.arguments)
    
    # 现在我们获得了完全结构化的数据
    print(arguments["name"])  # 输出: Emily Johnson
    print(arguments["gpa"])   # 输出: 3.7 (保证是数字类型)

实际应用案例：课程推荐系统

让我们构建一个完整的课程推荐流程，展示函数调用的实际价值。

1. 定义课程搜索函数

def search_courses(role: str, product: str, level: str) -> list:
    """实际调用Microsoft Learn API搜索课程"""
    params = {"role": role, "product": product, "level": level}
    response = requests.get("https://learn.microsoft.com/api/catalog/", params=params)
    return [{"title": mod["title"], "url": mod["url"]} for mod in response.json()["modules"][:5]]

2. 配置函数模板

functions = [
    {
        "name": "search_courses",
        "description": "根据条件搜索适合的课程",
        "parameters": {
            "type": "object",
            "properties": {
                "role": {"type": "string", "description": "学习者角色(开发者、学生等)"},
                "product": {"type": "string", "description": "相关产品(Azure、Power BI等)"},
                "level": {"type": "string", "description": "难度等级(初级、中级、高级)"}
            },
            "required": ["role"]
        }
    }
]

3. 完整交互流程

# 用户查询
messages = [{"role": "user", "content": "我想找适合初学者的Azure课程"}]

# 第一次调用 - 获取函数调用建议
response = client.chat.completions.create(
    model=deployment,
    messages=messages,
    functions=functions,
    function_call="auto"
)

# 执行函数调用
if response.choices[0].message.function_call:
    function_name = response.choices[0].message.function_call.name
    arguments = json.loads(response.choices[0].message.function_call.arguments)
    
    # 实际调用我们的Python函数
    courses = search_courses(**arguments)
    
    # 将结果返回给AI模型
    messages.append({
        "role": "function",
        "name": function_name,
        "content": json.dumps(courses)
    })
    
    # 第二次调用 - 让AI生成友好响应
    final_response = client.chat.completions.create(
        model=deployment,
        messages=messages
    )
    print(final_response.choices[0].message.content)