接单做网站,网页微信二维码登录怎么实现,沙洋网站开发,网站w3c标准1. 概述和前期准备
1.1 Lagent是什么
Lagent 是一个轻量级开源智能体框架#xff0c;旨在让用户可以高效地构建基于大语言模型的智能体。同时它也提供了一些典型工具以增强大语言模型的能力。
Lagent 目前已经支持了包括 AutoGPT、ReAct 等在内的多个经典智能体范式#x…1. 概述和前期准备
1.1 Lagent是什么
Lagent 是一个轻量级开源智能体框架旨在让用户可以高效地构建基于大语言模型的智能体。同时它也提供了一些典型工具以增强大语言模型的能力。
Lagent 目前已经支持了包括 AutoGPT、ReAct 等在内的多个经典智能体范式也支持了如下工具
Arxiv 搜索Bing 地图Google 学术搜索Google 搜索交互式 IPython 解释器IPython 解释器PPTPython 解释器
1.2AgentLego
AgentLego 是一个提供了多种开源工具 API 的多模态工具包旨在像是乐高积木一样让用户可以快速简便地拓展自定义工具从而组装出自己的智能体。通过 AgentLego 算法库不仅可以直接使用多种工具也可以利用这些工具在相关智能体框架如 LagentTransformers Agent 等的帮助下快速构建可以增强大语言模型能力的智能体。 AgentLego 目前提供如下工具
通用能力语音相关图像处理AIGC计算器 谷歌搜索文本 - 音频TTS音频 - 文本STT描述输入图像识别文本OCR视觉问答VQA人体姿态估计人脸关键点检测图像边缘提取Canny深度图生成生成涂鸦Scribble检测全部目标检测给定目标SAM分割一切、分割给定目标文生图图像拓展删除给定对象替换给定对象根据指令修改ControlNet 系列、根据边缘描述生成、根据深度图描述生成、根据姿态描述生成、根据涂鸦描述生成ImageBind 系列、音频生成图像、热成像生成图像、音频图像生成图像、音频文本生成图像
1.3上述两者的关系
Lagent智能体框架 AgentLego工具包 #mermaid-svg-iXGTiK4kLOfC41qh {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-iXGTiK4kLOfC41qh .error-icon{fill:#552222;}#mermaid-svg-iXGTiK4kLOfC41qh .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-iXGTiK4kLOfC41qh .edge-thickness-normal{stroke-width:2px;}#mermaid-svg-iXGTiK4kLOfC41qh .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-iXGTiK4kLOfC41qh .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-iXGTiK4kLOfC41qh .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-iXGTiK4kLOfC41qh .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-iXGTiK4kLOfC41qh .marker{fill:#333333;stroke:#333333;}#mermaid-svg-iXGTiK4kLOfC41qh .marker.cross{stroke:#333333;}#mermaid-svg-iXGTiK4kLOfC41qh svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-iXGTiK4kLOfC41qh .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-iXGTiK4kLOfC41qh .cluster-label text{fill:#333;}#mermaid-svg-iXGTiK4kLOfC41qh .cluster-label span{color:#333;}#mermaid-svg-iXGTiK4kLOfC41qh .label text,#mermaid-svg-iXGTiK4kLOfC41qh span{fill:#333;color:#333;}#mermaid-svg-iXGTiK4kLOfC41qh .node rect,#mermaid-svg-iXGTiK4kLOfC41qh .node circle,#mermaid-svg-iXGTiK4kLOfC41qh .node ellipse,#mermaid-svg-iXGTiK4kLOfC41qh .node polygon,#mermaid-svg-iXGTiK4kLOfC41qh .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-iXGTiK4kLOfC41qh .node .label{text-align:center;}#mermaid-svg-iXGTiK4kLOfC41qh .node.clickable{cursor:pointer;}#mermaid-svg-iXGTiK4kLOfC41qh .arrowheadPath{fill:#333333;}#mermaid-svg-iXGTiK4kLOfC41qh .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-iXGTiK4kLOfC41qh .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-iXGTiK4kLOfC41qh .edgeLabel{background-color:#e8e8e8;text-align:center;}#mermaid-svg-iXGTiK4kLOfC41qh .edgeLabel rect{opacity:0.5;background-color:#e8e8e8;fill:#e8e8e8;}#mermaid-svg-iXGTiK4kLOfC41qh .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-iXGTiK4kLOfC41qh .cluster text{fill:#333;}#mermaid-svg-iXGTiK4kLOfC41qh .cluster span{color:#333;}#mermaid-svg-iXGTiK4kLOfC41qh div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-iXGTiK4kLOfC41qh :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} Lagent AgentLego 否 是 处理 调用工具 工具输出 工具功能支持 输入 大语言模型 是否需要调用工具 一般输出 智能体输出 1.4环境配置
1.4.1 创建开发机
仍然使用镜像为 Cuda12.2-conda并选择 GPU 为30% A100。
1.4.2环境配置
1.创建虚拟环境
#创建文件夹存放Agent相关文件
mkdir -p /root/agent
#配置conda环境
studio-conda -t agent -o pytorch-2.1.22.安装Lagent和AgentLego 为了方便使用Lagent的Web Demo和AgentLego的WebUI选择直接从源码安装执行如下命令
cd /root/agent
conda activate agent
git clone https://gitee.com/internlm/lagent.git
cd lagent git checkout 581d9fb pip install -e . cd ..
git clone https://gitee.com/internlm/agentlego.git
cd agentlego git checkout 7769e0d pip install -e . cd ..3.安装其他依赖
conda activate agent
pip install lmdeploy0.3.04.准备Tutorial
cd /root/agent
git clone -b camp2 https://gitee.com/internlm/Tutorial.git2.Lagent轻量级智能体框架
2.1Lagent Web Demo
2.1.1 使用 LMDeploy 部署
Lagent 的 Web Demo 需要用到 LMDeploy 所启动的 api_server因此先按照下图指示在 vscode terminal 中执行如下代码使用 LMDeploy 启动一个 api_server
conda activate agent
lmdeploy serve api_server /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b \--server-name 127.0.0.1 \--model-name internlm2-chat-7b \--cache-max-entry-count 0.12.1.2 启动并使用 Lagent Web Demo
新建一个 terminal 以启动 Lagent Web Demo。在新建的 terminal 中执行如下指令
conda activate agent
cd /root/agent/lagent/examples
streamlit run internlm2_agent_web_demo.py --server.address 127.0.0.1 --server.port 7860等 LMDeploy 的 api_server 与 Lagent Web Demo 完全启动后在本地进行端口映射将 LMDeploy api_server 的23333端口以及 Lagent Web Demo 的7860端口映射到本地。执行如下代码
ssh -CNg -L 7860:127.0.0.1:7860 -L 23333:127.0.0.1:23333 rootssh.intern-ai.org.cn -p 你的 ssh 端口号然后在本地的浏览器页面中打开 http://localhost:7860 以使用 Lagent Web Demo。首先输入模型 IP 为 127.0.0.1:23333在输入完成后按下回车键以确认。并选择插件为 ArxivSearch以让模型获得在 arxiv 上搜索论文的能力演示如下 使用插件 不使用插件
2.2 用Lagent自定义工具
接下来将基于 Lagent 自定义一个工具。Lagent 中关于工具部分的介绍文档位于 https://lagent.readthedocs.io/zh-cn/latest/tutorials/action.html 。使用 Lagent 自定义工具主要分为以下几步
继承 BaseAction 类实现简单工具的 run 方法或者实现工具包内每个子工具的功能简单工具的 run 方法可选被 tool_api 装饰工具包内每个子工具的功能都需要被 tool_api 装饰 下面实现一个调用和风天气 API 的工具以完成实时天气查询的功能
2.2.1创建工具文件
首先通过 touch /root/agent/lagent/lagent/actions/weather.py大小写敏感新建工具文件复制入以下内容
import json
import os
import requests
from typing import Optional, Typefrom lagent.actions.base_action import BaseAction, tool_api
from lagent.actions.parser import BaseParser, JsonParser
from lagent.schema import ActionReturn, ActionStatusCodeclass WeatherQuery(BaseAction):Weather plugin for querying weather information.def __init__(self,key: Optional[str] None,description: Optional[dict] None,parser: Type[BaseParser] JsonParser,enable: bool True) - None:super().__init__(description, parser, enable)key os.environ.get(WEATHER_API_KEY, key)if key is None:raise ValueError(Please set Weather API key either in the environment as WEATHER_API_KEY or pass it as key)self.key keyself.location_query_url https://geoapi.qweather.com/v2/city/lookupself.weather_query_url https://devapi.qweather.com/v7/weather/nowtool_apidef run(self, query: str) - ActionReturn:一个天气查询API。可以根据城市名查询天气信息。Args:query (:class:str): The city name to query.tool_return ActionReturn(typeself.name)status_code, response self._search(query)if status_code -1:tool_return.errmsg responsetool_return.state ActionStatusCode.HTTP_ERRORelif status_code 200:parsed_res self._parse_results(response)tool_return.result [dict(typetext, contentstr(parsed_res))]tool_return.state ActionStatusCode.SUCCESSelse:tool_return.errmsg str(status_code)tool_return.state ActionStatusCode.API_ERRORreturn tool_returndef _parse_results(self, results: dict) - str:Parse the weather results from QWeather API.Args:results (dict): The weather content from QWeather APIin json format.Returns:str: The parsed weather results.now results[now]data [f数据观测时间: {now[obsTime]},f温度: {now[temp]}°C,f体感温度: {now[feelsLike]}°C,f天气: {now[text]},f风向: {now[windDir]}角度为 {now[wind360]}°,f风力等级: {now[windScale]}风速为 {now[windSpeed]} km/h,f相对湿度: {now[humidity]},f当前小时累计降水量: {now[precip]} mm,f大气压强: {now[pressure]} 百帕,f能见度: {now[vis]} km,]return \n.join(data)def _search(self, query: str):# get city_codetry:city_code_response requests.get(self.location_query_url,params{key: self.key, location: query})except Exception as e:return -1, str(e)if city_code_response.status_code ! 200:return city_code_response.status_code, city_code_response.json()city_code_response city_code_response.json()if len(city_code_response[location]) 0:return -1, 未查询到城市city_code city_code_response[location][0][id]# get weathertry:weather_response requests.get(self.weather_query_url,params{key: self.key, location: city_code})except Exception as e:return -1, str(e)return weather_response.status_code, weather_response.json()2.2.2获取API KEY
为了获得稳定的天气查询服务我们首先要获取 API KEY。首先打开 https://dev.qweather.com/docs/api/ 后点击右上角控制台。(现在要绑定手机号和邮箱地址才可以用才可以进入控制台) 在我的项目中点击创建然后按照下图填写并创建 然后回到项目管理页获取APIkey
2.2.3体验自定义工具效果
首先记得要停掉前面你打开的两个服务。然后在两个 terminal 中分别启动 LMDeploy 服务和 Tutorial 已经写好的用于这部分的 Web Demo
conda activate agent
lmdeploy serve api_server /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b \--server-name 127.0.0.1 \--model-name internlm2-chat-7b \--cache-max-entry-count 0.1export WEATHER_API_KEY在2.2节获取的API KEY
# 比如 export WEATHER_API_KEY1234567890abcdef
conda activate agent
cd /root/agent/Tutorial/agent
streamlit run internlm2_weather_web_demo.py --server.address 127.0.0.1 --server.port 7860本地端口映射
ssh -CNg -L 7860:127.0.0.1:7860 -L 23333:127.0.0.1:23333 rootssh.intern-ai.org.cn -p 你的 ssh 端口号结果如下
3.AgentLego: 组装智能体“乐高”
3.1 直接使用AgentLego
下载demo文件
cd /root/agent
wget http://download.openmmlab.com/agentlego/road.jpg由于 AgentLego 在安装时并不会安装某个特定工具的依赖因此我们接下来准备安装目标检测工具运行时所需依赖。 AgentLego 所实现的目标检测工具是基于 mmdet (MMDetection) 算法库中的 RTMDet-Large 模型因此我们首先安装 mim然后通过 mim 工具来安装 mmdet。这一步所需时间可能会较长请耐心等待。
conda activate agent
pip install openmim0.3.9
mim install mmdet3.3.0然后通过 touch /root/agent/direct_use.py大小写敏感的方式在 /root/agent 目录下新建 direct_use.py 以直接使用目标检测工具direct_use.py 的代码如下
import reimport cv2
from agentlego.apis import load_tool# load tool
tool load_tool(ObjectDetection, devicecuda)# apply tool
visualization tool(/root/agent/road.jpg)
print(visualization)# visualize
image cv2.imread(/root/agent/road.jpg)preds visualization.split(\n)
pattern r(\w) \((\d), (\d), (\d), (\d)\), score (\d)for pred in preds:name, x1, y1, x2, y2, score re.match(pattern, pred).groups()x1, y1, x2, y2, score int(x1), int(y1), int(x2), int(y2), int(score)cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 1)cv2.putText(image, f{name} {score}, (x1, y1), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 1)cv2.imwrite(/root/agent/road_detection_direct.jpg, image)接下来执行 python /root/agent/direct_use.py 以进行推理。在等待 RTMDet-Large 权重下载并推理完成后我们就可以看到如下输出以及一张位于 /root/agent 名为 road_detection_direct.jpg 的图片
从上面编写的代码中可以看到我们是通过from agentlego.apis import load_tool来使用agentlego的通过使用提供的函数现在有了目标识别的能力,可以看到所提供的能力的字段。tool load_tool(‘ObjectDetection’, device‘cuda’)这句中的ObjectDetection就是从这里来的。
原图
结果
3.2作为智能体工具使用
这里相当于将AgentLego做了一个可视化的web也页面方便配置和操作。
3.2.1 修改相关文件
由于 AgentLego 算法库默认使用 InternLM2-Chat-20B 模型因此我们首先需要修改 /root/agent/agentlego/webui/modules/agents/lagent_agent.py 文件的第 105行位置将 internlm2-chat-20b 修改为 internlm2-chat-7b。
3.2.2 使用LMDeploy部署
AgentLego 的 WebUI 需要用到 LMDeploy 所启动的 api_server因此首先在 vscode terminal 中执行如下代码使用 LMDeploy 启动一个 api_server
conda activate agent
lmdeploy serve api_server /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b \--server-name 127.0.0.1 \--model-name internlm2-chat-7b \--cache-max-entry-count 0.13.2.3 启动AgentLego WebUI
接下来新建一个 terminal 以启动 AgentLego WebUI。在新建的 terminal 中执行如下指令
conda activate agent
cd /root/agent/agentlego/webui
python one_click.py在本地进行端口映射将 LMDeploy api_server 的23333端口以及 AgentLego WebUI 的7860端口映射到本地。执行
ssh -CNg -L 7860:127.0.0.1:7860 -L 23333:127.0.0.1:23333 rootssh.intern-ai.org.cn -p 你的 ssh 端口号3.2.4 使用AgentLego WebUI
接下来在本地的浏览器页面中打开 http://localhost:7860 以使用 AgentLego WebUI。首先来配置 Agent如下图所示。
点击上方 Agent 进入 Agent 配置页面。如①所示点击 Agent 下方框选择 New Agent。如②所示选择Agent Class 为 lagent.InternLM2Agent。如③所示输入模型 URL 为http://127.0.0.1:23333 。如④所示输入 Agent name自定义即可图中输入了internlm2。如⑤所示点击 save to 以保存配置这样在下次使用时只需在第2步时选择 Agent 为internlm2 后点击 load 以加载就可以了。如⑥所示点击 load 以加载配置。如⑦所示 然后配置工具如下图所示。点击上方 Tools 页面进入工具配置页面。如①所示点击 Tools 下方框选择 New Tool 以加载新工具。如②所示选择 Tool Class 为 ObjectDetection。如③所示点击 save 以保存配置。如④所示 等待工具加载完成后点击上方 Chat 以进入对话页面。在页面下方选择工具部分只选择 ObjectDetection 工具如下图所示。为了确保调用工具的成功率请在使用时确保仅有这一个工具启用。演示效果如下
3.3. 用AgentLego自定义工具
接下来将基于 AgentLego 构建自己的自定义工具。AgentLego 在这方面提供了较为详尽的文档文档地址为 https://agentlego.readthedocs.io/zh-cn/latest/modules/tool.html 。自定义工具主要分为以下几步
继承 BaseTool 类修改 default_desc 属性工具功能描述如有需要重载 setup 方法重型模块延迟加载重载 apply 方法工具功能实现
其中第一二四步是必须的步骤。下面将实现一个调用 MagicMaker 的 API 以实现图像生成的工具。
3.3.1创建工具文件
通过下面的命令创建文件内容填充如下
#创建文件
touch /root/agent/agentlego/agentlego/tools/magicmaker_image_generation.pyimport json
import requestsimport numpy as npfrom agentlego.types import Annotated, ImageIO, Info
from agentlego.utils import require
from .base import BaseToolclass MagicMakerImageGeneration(BaseTool):default_desc (This tool can call the api of magicmaker to generate an image according to the given keywords.)styles_option [dongman, # 动漫guofeng, # 国风xieshi, # 写实youhua, # 油画manghe, # 盲盒]aspect_ratio_options [16:9, 4:3, 3:2, 1:1,2:3, 3:4, 9:16]require(opencv-python)def __init__(self,styleguofeng,aspect_ratio4:3):super().__init__()if style in self.styles_option:self.style styleelse:raise ValueError(fThe style must be one of {self.styles_option})if aspect_ratio in self.aspect_ratio_options:self.aspect_ratio aspect_ratioelse:raise ValueError(fThe aspect ratio must be one of {aspect_ratio})def apply(self,keywords: Annotated[str,Info(A series of Chinese keywords separated by comma.)]) - ImageIO:import cv2response requests.post(urlhttps://magicmaker.openxlab.org.cn/gw/edit-anything/api/v1/bff/sd/generate,datajson.dumps({official: True,prompt: keywords,style: self.style,poseT: False,aspectRatio: self.aspect_ratio}),headers{content-type: application/json})image_url response.json()[data][imgUrl]image_response requests.get(image_url)image cv2.cvtColor(cv2.imdecode(np.frombuffer(image_response.content, np.uint8), cv2.IMREAD_COLOR),cv2.COLOR_BGR2RGB)return ImageIO(image)3.3.2注册新工具
接下来修改 /root/agent/agentlego/agentlego/tools/init.py 文件将我们的工具注册在工具列表中。如下所示我们将 MagicMakerImageGeneration 通过 from .magicmaker_image_generation import MagicMakerImageGeneration 导入到了文件中并且将其加入了 all 列表中。
3.3.3 体验自定义工具效果
与之前都一样在两个 terminal 中分别启动 LMDeploy 服务和 AgentLego 的 WebUI 以体验我们自定义的工具的效果。
conda activate agent
lmdeploy serve api_server /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b \--server-name 127.0.0.1 \--model-name internlm2-chat-7b \--cache-max-entry-count 0.1conda activate agent
cd /root/agent/agentlego/webui
python one_click.py同样要进行端口映射同上不赘述。在 Tool 界面选择 MagicMakerImageGeneration 后点击 save 后回到 Chat 页面选择 MagicMakerImageGeneration 工具后就可以开始使用了。为了确保调用工具的成功率请在使用时确保仅有这一个工具启用。下面是演示效果
4.Agent工具能力微调
4.1OpenAI Function Calling
4.1.1介绍
为了让大语言模型连接到外部工具OpenAI 推出了 Function calling 的功能。在 调用 OpenAI 的 API 时可以描述函数并让模型智能地选择要输出的 JSON 对象其中包含传递给一个或多个函数的参数。更多信息可以参考https://platform.openai.com/docs/guides/function-calling 。 Chat Completions 的相关 API 并不会调用函数相反我们可以在自己的代码中根据模型的输出来实现调用函数的逻辑。大体工作流程如下 #mermaid-svg-lS7ugPh0cyV8Repa {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-lS7ugPh0cyV8Repa .error-icon{fill:#552222;}#mermaid-svg-lS7ugPh0cyV8Repa .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-lS7ugPh0cyV8Repa .edge-thickness-normal{stroke-width:2px;}#mermaid-svg-lS7ugPh0cyV8Repa .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-lS7ugPh0cyV8Repa .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-lS7ugPh0cyV8Repa .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-lS7ugPh0cyV8Repa .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-lS7ugPh0cyV8Repa .marker{fill:#333333;stroke:#333333;}#mermaid-svg-lS7ugPh0cyV8Repa .marker.cross{stroke:#333333;}#mermaid-svg-lS7ugPh0cyV8Repa svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-lS7ugPh0cyV8Repa .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-lS7ugPh0cyV8Repa .cluster-label text{fill:#333;}#mermaid-svg-lS7ugPh0cyV8Repa .cluster-label span{color:#333;}#mermaid-svg-lS7ugPh0cyV8Repa .label text,#mermaid-svg-lS7ugPh0cyV8Repa span{fill:#333;color:#333;}#mermaid-svg-lS7ugPh0cyV8Repa .node rect,#mermaid-svg-lS7ugPh0cyV8Repa .node circle,#mermaid-svg-lS7ugPh0cyV8Repa .node ellipse,#mermaid-svg-lS7ugPh0cyV8Repa .node polygon,#mermaid-svg-lS7ugPh0cyV8Repa .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-lS7ugPh0cyV8Repa .node .label{text-align:center;}#mermaid-svg-lS7ugPh0cyV8Repa .node.clickable{cursor:pointer;}#mermaid-svg-lS7ugPh0cyV8Repa .arrowheadPath{fill:#333333;}#mermaid-svg-lS7ugPh0cyV8Repa .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-lS7ugPh0cyV8Repa .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-lS7ugPh0cyV8Repa .edgeLabel{background-color:#e8e8e8;text-align:center;}#mermaid-svg-lS7ugPh0cyV8Repa .edgeLabel rect{opacity:0.5;background-color:#e8e8e8;fill:#e8e8e8;}#mermaid-svg-lS7ugPh0cyV8Repa .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-lS7ugPh0cyV8Repa .cluster text{fill:#333;}#mermaid-svg-lS7ugPh0cyV8Repa .cluster span{color:#333;}#mermaid-svg-lS7ugPh0cyV8Repa div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-lS7ugPh0cyV8Repa :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} Local remote 对话数据 输入 工具描述 API 模型 输出 函数主体 结果 其中我们将对话数据和工具描述传递给 API 模型。在得到 API 模型的输出后我们在本地根据输出调用函数最终得到结果。
4.1.2 数据格式
接下来是OpenAI Function Calling 所规定的数据格式 对话部分
messages [{role: user,content: Whats the weather like in San Francisco, Tokyo, and Paris?}
]包含 role 和 content 两个字段分别表示输入角色和输入内容。 工具描述部分
tools [{type: function,function: {name: get_current_weather,description: Get the current weather in a given location,parameters: {type: object,properties: {location: {type: string,description: The city and state, e.g. San Francisco, CA,},unit: {type: string, enum: [celsius, fahrenheit]},},required: [location],},},}
]各字段描述如下
字段描述type为 function表示这是一个函数name函数的名称description函数的描述parameters函数的输入参数包括参数的类型、描述、是否必须等信息parameters.type输入参数的类型parameters.properties输入参数的属性parameters.properties.location函数的输入参数之一表示给 get_current_weather 函数传递的位置信息为字符串类型parameters.properties.unit函数的输入参数之一表示给 get_current_weather 函数传递的单位信息为字符串类型且只能为摄氏度或华氏度parameters.required表示参数中必须包含的字段即必须传递 location 参数
工具描述部分详细地描述了函数的名词和输入参数信息以便于模型能够智能地选择要调用的函数并且传入正确的参数。
