如何做网站网页免费整站优化的公司
GPT实战系列-ChatGLM3管理外部借力工具
用ChatGLM的工具可以实现很多查询接口和执行命令，外部工具该如何配置使用？如何联合它们实现大模型查询助手功能？例如调用工具实现股票信息查询，网络天气查询等助手功能。
LLM大模型相关文章：
GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案
GPT实战系列-LangChain + ChatGLM3构建天气查询助手
大模型查询工具助手之股票免费查询接口
GPT实战系列-简单聊聊LangChain
GPT实战系列-大模型为我所用之借用ChatGLM3构建查询助手
GPT实战系列-Baichuan2本地化部署实战方案
GPT实战系列-大话LLM大模型训练
配置tools信息
tools = [{'name': 'querystock', 'description': '查询指定股票的实时价格', 'parameters': {'type': 'object', 'properties': {'symbol': {'description': '需要查询的股票代码'}}, 'required': []}},
]
参数解释：
"name"：为配置tool工具名；"description"：对工具的描述；"parameters"："type"：数据类型默认为"object";"properties":在此定义工具的属性以及对属性值的描述;"required": 需要返回的属性;
系统描述接口调用
system_item = {"role": "system","content": "Answer the following questions as best as you can. You have access to the following tools:","tools": tools}
程序中调用语句以便实现工具调用
tokenizer = AutoTokenizer.from_pretrained(TOKENIZER_PATH, trust_remote_code=True)
model = AutoModel.from_pretrained(MODEL_PATH, trust_remote_code=True, device_map="auto").eval()past_key_values, history = None, [system_item]调用模型时，当对话query和tool相关时，模型会自动调用tool并反馈：
query = "帮我查询股票sz000001的价格"
response, history = model.chat(tokenizer, query, history=history)
print(response)
期望调用工具得到输出为：
{"name": "querystock", "parameters": {"symbol": "sz000001"}}
这表示模型需要调用工具 querystock，并且需要传入参数 symbol。
调用工具，生成回复
此时需要自行实现调用工具的逻辑。假设已经得到返回结果，将结果以 json 格式返回给模型并得到回复。
result = json.dumps({"price": 9.270}, ensure_ascii=False)
response, history = model.chat(tokenizer, result, history=history, role="observation")
print(response)
这里 role="observation" 表示输入的是工具调用的返回值而不是用户输入，不能省略。
经LLM整理信息后，期望得到的输出为
根据您的查询，经过API的调用，股票 sz000001 的价格是 9.270。
表示本次工具调用已经结束，模型根据返回结果生成回复。
可以根据返回的 response 是 str 还是 dict 来判断返回的是生成的回复还是工具调用请求。
觉得有用 收藏 收藏 收藏
点个赞 点个赞 点个赞
End
GPT专栏文章：
GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案
GPT实战系列-LangChain + ChatGLM3构建天气查询助手
大模型查询工具助手之股票免费查询接口
GPT实战系列-简单聊聊LangChain
GPT实战系列-大模型为我所用之借用ChatGLM3构建查询助手
GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(二)
GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(一)
GPT实战系列-ChatGLM2模型的微调训练参数解读
GPT实战系列-如何用自己数据微调ChatGLM2模型训练
GPT实战系列-ChatGLM2部署Ubuntu+Cuda11+显存24G实战方案
GPT实战系列-Baichuan2本地化部署实战方案
GPT实战系列-Baichuan2等大模型的计算精度与量化
GPT实战系列-GPT训练的Pretraining，SFT，Reward Modeling，RLHF
GPT实战系列-探究GPT等大模型的文本生成-CSDN博客