I modelli linguistici di grandi dimensioni (LLM) sono molto efficaci per risolvere molti tipi di problemi. Tuttavia, sono vincolati dalle seguenti limitazioni:
- Vengono bloccati dopo l'addestramento, il che porta a conoscenze obsolete.
- Non possono eseguire query o modificare dati esterni.
Le chiamate di funzione possono risolvere questi problemi. A volte la chiamata di funzione viene definita utilizzo di strumenti perché consente al modello di utilizzare strumenti esterni come API e funzioni.
Quando invii un prompt all'LLM, fornisci anche al modello un insieme di strumenti che può utilizzare per rispondere al prompt dell'utente. Ad esempio, potresti fornire una funzione get_weather che accolga un parametro di posizione e restituisca informazioni sulle condizioni meteorologiche in quella posizione.
Durante l'elaborazione di un prompt, il modello può scegliere di delegare determinate attività di elaborazione dei dati alle funzioni che identifichi. Il modello non
chiamare direttamente le funzioni. Il modello fornisce invece un'uscita di dati strutturati che include la funzione da chiamare e i valori dei parametri da utilizzare. Ad esempio, per
un prompt What is the weather like in Boston?, il modello può delegare l'elaborazione
alla funzione get_weather e fornisci il valore parametro di località Boston, MA.
Puoi utilizzare l'output strutturato dal modello per richiamare le API esterne. Ad esempio, puoi connetterti a un'API di servizio meteo, fornire la posizioneBoston, MA e ricevere informazioni su temperatura, copertura nuvolosa e condizioni di vento.
Puoi quindi fornire l'output dell'API al modello, in modo che possa essere completato
la sua risposta al prompt. Per l'esempio sul meteo, il modello potrebbe fornire la seguente risposta: It is currently 38 degrees Fahrenheit in Boston, MA with partly cloudy skies.
Modelli supportati
I seguenti modelli forniscono supporto per la chiamata di funzioni:
| Modello | Versione | Fase di lancio delle chiamate di funzione | Supporto per le chiamate di funzioni parallele | Supporto per le chiamate di funzione forzate. |
|---|---|---|---|---|
| Gemini 1.0 Pro | all versions |
Disponibilità generale | No | No |
| Gemini 1.5 Flash | all versions |
Disponibilità generale | Sì | Sì |
| Gemini 1.5 Pro | all versions |
Disponibilità generale | Sì | Sì |
Casi d'uso della chiamata di funzioni
Puoi utilizzare le chiamate di funzione per le seguenti attività:
| Caso d'uso | Descrizione di esempio | Link di esempio |
|---|---|---|
| Integrazione con API esterne | Ottenere informazioni meteo utilizzando un'API meteorologica | Tutorial su Notebook |
| Convertire gli indirizzi in coordinate di latitudine/longitudine | Tutorial per i blocchi note | |
| Convertire le valute utilizzando un'API di cambio valute | Codelab | |
| Crea chatbot avanzati | Rispondere alle domande dei clienti su prodotti e servizi | Tutorial su Notebook |
| Crea un assistente per rispondere a domande finanziarie e relative alle notizie sulle aziende | Tutorial su Notebook | |
| Struttura e controllo delle chiamate di funzione | Estrarre entità strutturate dai dati non elaborati dei log | Tutorial su Notebook |
| Estrarre uno o più parametri dall'input dell'utente | Tutorial su Notebook | |
| Gestire elenchi e strutture di dati nidificate nelle chiamate di funzione | Tutorial su Notebook | |
| Gestire il comportamento di chiamata di funzione | Gestire chiamate e risposte di funzioni parallele | Tutorial per i blocchi note |
| Gestisci quando e quali funzioni il modello può chiamare | Tutorial per i blocchi note | |
| Esegui query su database con il linguaggio naturale | Converti le domande in linguaggio naturale in query SQL per BigQuery | App di esempio |
| Chiamate di funzioni multimodali | Utilizza immagini, video, audio e PDF come input per attivare le chiamate di funzione | Tutorial per i blocchi note |
Ecco altri casi d'uso:
Interpreta i comandi vocali: crea funzioni corrispondenti alle attività nel veicolo. Ad esempio, puoi creare funzioni che attivano il radio o attivare l'aria condizionata. Invia al modello i file audio dei comandi vocali dell'utente e chiedigli di convertire l'audio in testo e di identificare la funzione che l'utente vuole chiamare.
Automatizzare i flussi di lavoro in base a trigger ambientali: crea funzioni per rappresentano i processi che possono essere automatizzati. fornisci al modello i dati sensori ambientali e chiedere di analizzare ed elaborare i dati per determinare l'attivazione di uno o più flussi di lavoro. Ad esempio, un modello potrebbe elaborare i dati sulla temperatura in un magazzino e scegliere di attivare una funzione di irrigazione.
Automatizza l'assegnazione dei ticket di assistenza: fornisci al modello ticket di assistenza, log e regole basate sul contesto. Chiedi al modello di elaborare tutte di queste informazioni per stabilire a chi assegnare il ticket. Chiama una funzione per assegnare il ticket alla persona suggerita dal modello.
Recuperare informazioni da una knowledge base: crea funzioni che recuperare articoli accademici su un determinato argomento e riassumerli. Consenti al modello di rispondere a domande su materie accademiche e di fornire citazioni per le sue risposte.
Come creare un'applicazione di chiamata di funzioni
Per consentire a un utente di interagire con il modello e utilizzare la chiamata di funzioni, devi creare codice che esegua le seguenti attività:
- Configura l'ambiente.
- Definire e descrivere un insieme di funzioni disponibili utilizzando le dichiarazioni di funzione.
- Invia al modello la richiesta di un utente e le dichiarazioni delle funzioni.
- Richiama una funzione utilizzando l'output dei dati strutturati dal modello.
- Fornisci l'output della funzione al modello.
Puoi creare un'applicazione che gestisca tutte queste attività. Questa applicazione può essere un chatbot di testo, un agente vocale, un flusso di lavoro automatico o qualsiasi altro programma.
Puoi utilizzare le chiamate di funzione per generare una singola risposta di testo o per supportare durante una sessione di chat. Le risposte testuali ad hoc sono utili per attività aziendali specifiche, inclusa la generazione di codice. Le sessioni di chat sono utili per conversazioni in formato libero in cui è probabile che l'utente faccia domande aggiuntive.
Se utilizzi le chiamate di funzione per generare una singola risposta, devi fornire il metodo modello con il contesto completo dell'interazione. Se, invece, utilizzi nel contesto di una sessione di chat, la sessione archivia contesto e includerlo in ogni richiesta del modello. In entrambi i casi, Vertex AI archivia la cronologia dell'interazione sul lato client.
Questa guida illustra come utilizzare le chiamate di funzione per generare una risposta testuale. Per un esempio end-to-end, consulta Esempi di testo. Per scoprire come utilizzare le chiamate di funzione per supportare una sessione di chat, consulta Esempi di chat.
Passaggio 1: configura l'ambiente
Importa i moduli richiesti e inizializza il modello:
Python
import vertexai
from vertexai.generative_models import (
Content,
FunctionDeclaration,
GenerationConfig,
GenerativeModel,
Part,
Tool,
)
# Initialize Vertex AI
# TODO(developer): Update and un-comment below lines
# project_id = 'PROJECT_ID'
vertexai.init(project=project_id, location="us-central1")
# Initialize Gemini model
model = GenerativeModel(model_name="gemini-1.0-pro-001")
Passaggio 2: dichiara un insieme di funzioni
L'applicazione deve dichiarare un insieme di funzioni che il modello può utilizzare per elaborare il prompt.
Il numero massimo di dichiarazioni di funzione che è possibile fornire con la richiesta è 128.
Devi fornire le dichiarazioni di funzione in un formato dello schema compatibile con lo schema OpenAPI. Vertex AI offre un supporto limitato dello schema OpenAPI. Le seguenti
sono supportati i seguenti attributi: type, nullable, required, format,
description, properties, items e enum. I seguenti attributi non sono
supportato: default, optional, maximum, oneOf. Per le best practice relative alle dichiarazioni di funzione, inclusi suggerimenti per nomi e descrizioni, consulta
Best practice.
Se utilizzi l'API REST, specifica lo schema utilizzando JSON. Se utilizzi l'SDK Vertex AI per Python, puoi specificare lo schema manualmente utilizzando un dizionario Python o automaticamente con la funzione di assistenza from_func.
JSON
{
"contents": ...,
"tools": [
{
"function_declarations": [
{
"name": "find_movies",
"description": "find movie titles currently playing in theaters based on any description, genre, title words, etc.",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and state, e.g. San Francisco, CA or a zip code e.g. 95616"
},
"description": {
"type": "string",
"description": "Any kind of description including category or genre, title words, attributes, etc."
}
},
"required": [
"description"
]
}
},
{
"name": "find_theaters",
"description": "find theaters based on location and optionally movie title which are is currently playing in theaters",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and state, e.g. San Francisco, CA or a zip code e.g. 95616"
},
"movie": {
"type": "string",
"description": "Any movie title"
}
},
"required": [
"location"
]
}
},
{
"name": "get_showtimes",
"description": "Find the start times for movies playing in a specific theater",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and state, e.g. San Francisco, CA or a zip code e.g. 95616"
},
"movie": {
"type": "string",
"description": "Any movie title"
},
"theater": {
"type": "string",
"description": "Name of the theater"
},
"date": {
"type": "string",
"description": "Date for requested showtime"
}
},
"required": [
"location",
"movie",
"theater",
"date"
]
}
}
]
}
]
}
Dizionario Python
La seguente dichiarazione di funzione richiede un singolo parametro string:
function_name = "get_current_weather"
get_current_weather_func = FunctionDeclaration(
name=function_name,
description="Get the current weather in a given location",
parameters={
"type": "object",
"properties": {
"location": {"type": "string", "description": "The city name of the location for which to get the weather."}
},
},
)
La seguente dichiarazione di funzione accetta parametri sia degli oggetti che degli array:
extract_sale_records_func = FunctionDeclaration(
name="extract_sale_records",
description="Extract sale records from a document.",
parameters={
"type": "object",
"properties": {
"records": {
"type": "array",
"description": "A list of sale records",
"items": {
"description": "Data for a sale record",
"type": "object",
"properties": {
"id": {"type": "integer", "description": "The unique id of the sale."},
"date": {"type": "string", "description": "Date of the sale, in the format of MMDDYY, e.g., 031023"},
"total_amount": {"type": "number", "description": "The total amount of the sale."},
"customer_name": {"type": "string", "description": "The name of the customer, including first name and last name."},
"customer_contact": {"type": "string", "description": "The phone number of the customer, e.g., 650-123-4567."},
},
"required": ["id", "date", "total_amount"],
},
},
},
"required": ["records"],
},
)
Python dalla funzione
Il seguente esempio di codice dichiara una funzione che moltiplica un array di numeri e utilizza from_func per generare lo schema FunctionDeclaration.
# Define a function. Could be a local function or you can import the requests library to call an API
def multiply_numbers(numbers):
"""
Calculates the product of all numbers in an array.
Args:
numbers: An array of numbers to be multiplied.
Returns:
The product of all the numbers. If the array is empty, returns 1.
"""
if not numbers: # Handle empty array
return 1
product = 1
for num in numbers:
product *= num
return product
multiply_number_func = FunctionDeclaration.from_func(multiply_numbers)
'''
multiply_number_func contains the following schema:
name: "multiply_numbers"
description: "Calculates the product of all numbers in an array."
parameters {
type_: OBJECT
properties {
key: "numbers"
value {
description: "An array of numbers to be multiplied."
title: "Numbers"
}
}
required: "numbers"
description: "Calculates the product of all numbers in an array."
title: "multiply_numbers"
}
'''
Passaggio 3: invia le dichiarazioni di prompt e funzioni al modello
Quando l'utente fornisce un prompt, l'applicazione deve fornire al modello il prompt dell'utente e le dichiarazioni relative alle funzioni. Per configurare il modo in cui il modello genera risultati, l'applicazione può fornire al modello una configurazione di generazione di testi. Per configurare il modo in cui il modello utilizza le dichiarazioni di funzione, l'applicazione può fornire al modello una configurazione dello strumento.
Definisci il prompt dell'utente
Di seguito è riportato un esempio di prompt dell'utente: "Che tempo fa a Boston?"
Di seguito è riportato un esempio di come definire la richiesta all'utente:
Python
# Define the user's prompt in a Content object that we can reuse in model calls
user_prompt_content = Content(
role="user",
parts=[
Part.from_text("What is the weather like in Boston?"),
],
)
Per le best practice relative alla richiesta all'utente, consulta Best practice - Richiesta all'utente.
Configurazione della generazione
Il modello può generare risultati diversi per valori parametro diversi. La
di temperatura controlla il grado di casualità in questa generazione.
Le temperature più basse sono ideali per funzioni che richiedono parametri deterministici
mentre le temperature più alte sono ideali per funzioni con parametri
accettano valori dei parametri più diversificati o creativi. Una temperatura pari a 0 è
deterministica. In questo caso, le risposte per un determinato prompt sono per lo più
deterministico, ma una piccola variazione è comunque possibile. Per apprendere
vedi API Gemini.
Per impostare questo parametro, invia una configurazione di generazione (generation_config)
insieme alle dichiarazioni del prompt e della funzione. Puoi aggiornare
Parametro temperature durante una conversazione in chat utilizzando Vertex AI
API e un generation_config aggiornato. Per un esempio di impostazione del parametro temperature, consulta Come inviare il prompt e le dichiarazioni delle funzioni.
Per le best practice relative alla configurazione di generazione, vedi Best practice: configurazione di generazione.
Configurazione dello strumento
Puoi applicare alcuni vincoli al modo in cui il modello deve utilizzare le dichiarazioni di funzione che fornisci. Ad esempio, anziché consentire al modello di scegliere tra una risposta in linguaggio naturale e una chiamata di funzione, puoi costringerlo a prevedere solo le chiamate di funzione ("chiamate di funzione forzate" o "chiamate di funzione con generazione controllata"). Puoi anche scegliere di fornire al modello un insieme completo di dichiarazioni di funzioni, ma limitare le sue risposte a un sottoinsieme di queste funzioni.
Per inserire questi vincoli, invia una configurazione dello strumento (tool_config) insieme
con il prompt e le dichiarazioni di funzione. Nella configurazione, puoi
specificare una delle seguenti modalità:
| Modalità | Descrizione |
|---|---|
| AUTOMATICA | Il comportamento predefinito del modello. Il modello decide se prevedere le chiamate di funzione o una risposta in linguaggio naturale. |
| QUALSIASI | Il modello deve prevedere solo le chiamate di funzione. Per limitare il modello a un sottoinsieme di funzioni, definisci i nomi delle funzioni consentite in allowed_function_names. |
| NESSUNO | Il modello non deve prevedere le chiamate di funzione. Questo comportamento è equivalente a una richiesta di modello senza dichiarazioni di funzioni associate. |
Per un elenco dei modelli che supportano la modalità ANY ("chiamata di funzione forzata"), consulta i modelli supportati.
Per saperne di più, consulta la sezione API Functions chiamata.
Come inviare le dichiarazioni del prompt e della funzione
Di seguito è riportato un esempio di come inviare il prompt e le dichiarazioni di funzione al modello e vincolarlo a prevedere solo le chiamate di funzione get_current_weather.
Python
# Define a tool that includes some of the functions that we declared earlier
tool = Tool(
function_declarations=[get_current_weather_func, extract_sale_records_func, multiply_number_func],
)
# Send the prompt and instruct the model to generate content using the Tool object that you just created
response = model.generate_content(
user_prompt_content,
generation_config={"temperature": 0},
tools=[tool],
tool_config=ToolConfig(
function_calling_config=ToolConfig.FunctionCallingConfig(
# ANY mode forces the model to predict only function calls
mode=ToolConfig.FunctionCallingConfig.Mode.ANY,
# Allowed function calls to predict when the mode is ANY. If empty, any of
# the provided function calls will be predicted.
allowed_function_names=["get_current_weather"],
))
)
response_function_call_content = response.candidates[0].content
Se il modello determina che ha bisogno dell'output di una particolare funzione, La risposta che l'applicazione riceve dal modello contiene il nome della funzione e i valori dei parametri con cui deve essere chiamata la funzione.
Di seguito è riportato un esempio di risposta del modello al prompt dell'utente "Com'è il tempo a Boston?". Il modello propone di chiamare
La funzione get_current_weather con il parametro Boston, MA.
candidates {
content {
role: "model"
parts {
function_call {
name: "get_current_weather"
args {
fields {
key: "location"
value {
string_value: "Boston, MA"
}
}
}
}
}
}
...
}
Per prompt come "Vuoi ricevere informazioni sul meteo a Nuova Delhi e San Francisco?", il modello può proporre diverse chiamate di funzione parallele. A Per saperne di più, consulta Esempio di chiamata di funzione parallela.
Passaggio 4: richiama un'API esterna
Se l'applicazione riceve un nome di funzione e valori di parametro dal modello, deve connettersi a un'API esterna e chiamare la funzione.
Il seguente esempio utilizza dati sintetici per simulare un payload di risposta di un'API esterna:
Python
# Check the function name that the model responded with, and make an API call to an external system
if (response.candidates[0].content.parts[0].function_call.name == "get_current_weather"):
# Extract the arguments to use in your API call
location = (
response.candidates[0].content.parts[0].function_call.args["location"]
)
# Here you can use your preferred method to make an API request to fetch the current weather, for example:
# api_response = requests.post(weather_api_url, data={"location": location})
# In this example, we'll use synthetic data to simulate a response payload from an external API
api_response = """{ "location": "Boston, MA", "temperature": 38, "description": "Partly Cloudy",
"icon": "partly-cloudy", "humidity": 65, "wind": { "speed": 10, "direction": "NW" } }"""
Per le best practice relative al richiamo delle API, consulta Best practice - Chiamata API.
Passaggio 5: fornisci l'output della funzione al modello
Dopo che un'applicazione riceve una risposta da un'API esterna, deve fornire questa risposta al modello. Di seguito è riportato un esempio di come eseguire questa operazione utilizzando Python:
Python
response = model.generate_content(
[
user_prompt_content, # User prompt
response_function_call_content, # Function call response
Content(
parts=[
Part.from_function_response(
name="get_current_weather",
response={
"content": api_response, # Return the API response to Gemini
},
)
],
),
],
tools=[weather_tool],
)
# Get the model summary response
summary = response.candidates[0].content.parts[0].text
Se il modello proponeva diverse chiamate di funzione parallele, l'applicazione deve che fornisce tutte le risposte al modello. Per saperne di più, consulta Esempio di chiamata di funzioni parallele.
Il modello può determinare che l'output di un'altra funzione è necessario per rispondere al prompt. In questo caso, la risposta che l'applicazione riceve dal modello contiene un altro nome di funzione e un altro insieme di valori di parametro.
Se il modello determina che la risposta dell'API è sufficiente per rispondere al prompt dell'utente, crea una risposta in linguaggio naturale e la restituisce all'applicazione. In questo caso, l'applicazione deve ritrasmettere la risposta al utente. Di seguito è riportato un esempio di risposta:
It is currently 38 degrees Fahrenheit in Boston, MA with partly cloudy skies. The humidity is 65% and the wind is blowing at 10 mph from the northwest.
Esempi di chiamate di funzione
Esempi di testo
Puoi utilizzare le chiamate di funzione per generare una singola risposta di testo. Testo ad hoc sono utili per attività aziendali specifiche, inclusa la generazione di codice.
Se utilizzi la chiamata di funzione per generare una singola risposta, devi fornire al modello il contesto completo dell'interazione. Vertex AI Store la cronologia dell'interazione sul lato client.
Python
Questo esempio mostra uno scenario di testo con una funzione e una
richiesta. Utilizza la classe GenerativeModel e i relativi metodi. Per maggiori informazioni
informazioni sull'utilizzo dell'SDK Vertex AI per Python con Gemini multimodale
di machine learning, consulta
Introduzione alle classi multimodali nell'SDK Vertex AI per Python.
Python
Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per saperne di più, consulta la documentazione di riferimento dell'API Python.
C#
Questo esempio mostra uno scenario di testo con una funzione e un prompt.
C#
Prima di provare questo esempio, segui le istruzioni per la configurazione di C# nel Guida rapida di Vertex AI con librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API C# di Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Node.js
Questo esempio mostra uno scenario di testo con una funzione e un prompt.
Node.js
Prima di provare questo esempio, segui le istruzioni per la configurazione di Node.js nel Guida rapida di Vertex AI con librerie client. Per ulteriori informazioni, consulta API Node.js Vertex AI documentazione di riferimento.
Per autenticarti in Vertex AI, configura le credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Configura l'autenticazione per un ambiente di sviluppo locale.
REST
Questo esempio mostra uno scenario di testo con tre funzioni e un prompt.
In questo esempio, il modello di AI generativa viene chiamato due volte.
- Nella prima chiamata, fornisci al modello il prompt e le dichiarazioni di funzione.
- Nella seconda chiamata, fornisci al modello la risposta dell'API.
Prima richiesta di modello
La richiesta deve definire un prompt nel parametro text. Questo esempio definisce
quanto segue prompt: "Quali cinema a Mountain View proiettano il film Barbie?".
La richiesta deve anche definire uno strumento (tools) con un insieme di funzioni
dichiarazioni (functionDeclarations). Queste dichiarazioni di funzione devono essere
specificato in un formato compatibile con
Schema OpenAPI. Questo esempio
definisce le seguenti funzioni:
find_moviestrova i titoli di film in programmazione nei cinema.find_theatrestrova i cinema in base alla località.get_showtimestrova gli orari di inizio dei film in programmazione in un cinema specifico.
Per saperne di più sui parametri della richiesta del modello, consulta API Gemini.
Sostituisci my-project con il nome del tuo progetto Google Cloud.
Prima richiesta di modello
PROJECT_ID=my-project
MODEL_ID=gemini-1.0-pro
API=streamGenerateContent
curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" -H "Content-Type: application/json" https://us-central1-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/us-central1/publishers/google/models/${MODEL_ID}:${API} -d '{
"contents": {
"role": "user",
"parts": {
"text": "Which theaters in Mountain View show the Barbie movie?"
}
},
"tools": [
{
"function_declarations": [
{
"name": "find_movies",
"description": "find movie titles currently playing in theaters based on any description, genre, title words, etc.",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and state, e.g. San Francisco, CA or a zip code e.g. 95616"
},
"description": {
"type": "string",
"description": "Any kind of description including category or genre, title words, attributes, etc."
}
},
"required": [
"description"
]
}
},
{
"name": "find_theaters",
"description": "find theaters based on location and optionally movie title which are is currently playing in theaters",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and state, e.g. San Francisco, CA or a zip code e.g. 95616"
},
"movie": {
"type": "string",
"description": "Any movie title"
}
},
"required": [
"location"
]
}
},
{
"name": "get_showtimes",
"description": "Find the start times for movies playing in a specific theater",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and state, e.g. San Francisco, CA or a zip code e.g. 95616"
},
"movie": {
"type": "string",
"description": "Any movie title"
},
"theater": {
"type": "string",
"description": "Name of the theater"
},
"date": {
"type": "string",
"description": "Date for requested showtime"
}
},
"required": [
"location",
"movie",
"theater",
"date"
]
}
}
]
}
]
}'
Per il prompt "Quali cinema a Mountain View proiettano il film Barbie?", il modello potrebbe restituire la funzione find_theatres con i parametri Barbie e
Mountain View, CA.
Risposta alla prima richiesta di modello
[{
"candidates": [
{
"content": {
"parts": [
{
"functionCall": {
"name": "find_theaters",
"args": {
"movie": "Barbie",
"location": "Mountain View, CA"
}
}
}
]
},
"finishReason": "STOP",
"safetyRatings": [
{
"category": "HARM_CATEGORY_HARASSMENT",
"probability": "NEGLIGIBLE"
},
{
"category": "HARM_CATEGORY_HATE_SPEECH",
"probability": "NEGLIGIBLE"
},
{
"category": "HARM_CATEGORY_SEXUALLY_EXPLICIT",
"probability": "NEGLIGIBLE"
},
{
"category": "HARM_CATEGORY_DANGEROUS_CONTENT",
"probability": "NEGLIGIBLE"
}
]
}
],
"usageMetadata": {
"promptTokenCount": 9,
"totalTokenCount": 9
}
}]
Seconda richiesta di modello
Questo esempio utilizza dati sintetici anziché chiamare l'API esterna.
Esistono due risultati, ciascuno con due parametri (name e address):
name:AMC Mountain View 16,address:2000 W El Camino Real, Mountain View, CA 94040name:Regal Edwards 14,address:245 Castro St, Mountain View, CA 94040
Sostituisci my-project con il nome del tuo progetto Google Cloud.
Seconda richiesta modello
PROJECT_ID=my-project
MODEL_ID=gemini-1.0-pro
API=streamGenerateContent
curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" -H "Content-Type: application/json" https://us-central1-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/us-central1/publishers/google/models/${MODEL_ID}:${API} -d '{
"contents": [{
"role": "user",
"parts": [{
"text": "Which theaters in Mountain View show the Barbie movie?"
}]
}, {
"role": "model",
"parts": [{
"functionCall": {
"name": "find_theaters",
"args": {
"location": "Mountain View, CA",
"movie": "Barbie"
}
}
}]
}, {
"parts": [{
"functionResponse": {
"name": "find_theaters",
"response": {
"name": "find_theaters",
"content": {
"movie": "Barbie",
"theaters": [{
"name": "AMC Mountain View 16",
"address": "2000 W El Camino Real, Mountain View, CA 94040"
}, {
"name": "Regal Edwards 14",
"address": "245 Castro St, Mountain View, CA 94040"
}]
}
}
}
}]
}],
"tools": [{
"functionDeclarations": [{
"name": "find_movies",
"description": "find movie titles currently playing in theaters based on any description, genre, title words, etc.",
"parameters": {
"type": "OBJECT",
"properties": {
"location": {
"type": "STRING",
"description": "The city and state, e.g. San Francisco, CA or a zip code e.g. 95616"
},
"description": {
"type": "STRING",
"description": "Any kind of description including category or genre, title words, attributes, etc."
}
},
"required": ["description"]
}
}, {
"name": "find_theaters",
"description": "find theaters based on location and optionally movie title which are is currently playing in theaters",
"parameters": {
"type": "OBJECT",
"properties": {
"location": {
"type": "STRING",
"description": "The city and state, e.g. San Francisco, CA or a zip code e.g. 95616"
},
"movie": {
"type": "STRING",
"description": "Any movie title"
}
},
"required": ["location"]
}
}, {
"name": "get_showtimes",
"description": "Find the start times for movies playing in a specific theater",
"parameters": {
"type": "OBJECT",
"properties": {
"location": {
"type": "STRING",
"description": "The city and state, e.g. San Francisco, CA or a zip code e.g. 95616"
},
"movie": {
"type": "STRING",
"description": "Any movie title"
},
"theater": {
"type": "STRING",
"description": "Name of the theater"
},
"date": {
"type": "STRING",
"description": "Date for requested showtime"
}
},
"required": ["location", "movie", "theater", "date"]
}
}]
}]
}'
La risposta del modello potrebbe essere simile alla seguente:
Risposta alla richiesta del secondo modello
{
"candidates": [
{
"content": {
"parts": [
{
"text": " OK. Barbie is showing in two theaters in Mountain View, CA: AMC Mountain View 16 and Regal Edwards 14."
}
]
}
}
],
"usageMetadata": {
"promptTokenCount": 9,
"candidatesTokenCount": 27,
"totalTokenCount": 36
}
}
Esempi di chat
Puoi utilizzare le chiamate di funzione per supportare una sessione di chat. Le sessioni di chat sono utili in scenari conversazionali e in formato libero, in cui è probabile che un utente ponga domande domande.
Se utilizzi le chiamate di funzione nel contesto di una sessione di chat, la sessione memorizza il contesto per te e lo include in ogni richiesta del modello. Vertex AI archivia la cronologia dell'interazione lato client.
Python
Questo esempio mostra uno scenario di chat con due funzioni e due
dei prompt sequenziali. Utilizza la classe GenerativeModel e i suoi metodi. Per maggiori informazioni sull'utilizzo dell'SDK Vertex AI per Python con i modelli multimodali, consulta Introduzione alle classi multimodali nell'SDK Vertex AI per Python.
Per scoprire come installare o aggiornare Python, consulta Installare l'SDK Vertex AI per Python. Per ulteriori informazioni, consulta documentazione di riferimento dell'API Python.
Java
Prima di provare questo esempio, segui le istruzioni di configurazione Java riportate nella guida rapida all'utilizzo delle librerie client di Vertex AI. Per ulteriori informazioni, consulta API Java Vertex AI documentazione di riferimento.
Per autenticarti in Vertex AI, configura le credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Configura l'autenticazione per un ambiente di sviluppo locale.
Go
Prima di provare questo esempio, segui le istruzioni di configurazione Go riportate nella guida rapida all'utilizzo delle librerie client di Vertex AI. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Go di Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Node.js
Prima di provare questo esempio, segui le istruzioni per la configurazione di Node.js nel Guida rapida di Vertex AI con librerie client. Per ulteriori informazioni, consulta API Node.js Vertex AI documentazione di riferimento.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Configura l'autenticazione per un ambiente di sviluppo locale.
Esempio di chiamata di funzione parallela
Per prompt come "Vorrei avere i dettagli meteo di New Delhi e San Francisco", il modello potrebbe proporre diverse chiamate di funzioni in parallelo. Per un elenco dei modelli che supportano le chiamate di funzioni parallele, consulta Modelli supportati.
REST
Questo esempio mostra uno scenario con una funzione get_current_weather.
Il prompt dell'utente è "Vorrei i dettagli meteo di New Delhi e San Francisco". La
propone due chiamate di funzione get_current_weather parallele: una con
il parametro New Delhi e l'altro con il parametro San Francisco.
Per scoprire di più sui parametri della richiesta del modello, consulta API Gemini.
candidates {
content {
role: "model"
parts: [
{
function_call {
name: "get_current_weather"
args {
fields {
key: "location"
value {
string_value: "New Delhi"
}
}
}
}
},
{
function_call {
name: "get_current_weather"
args {
fields {
key: "location"
value {
string_value: "San Francisco"
}
}
}
}
}
]
}
...
}
Il seguente comando mostra come puoi fornire l'output della funzione al modello. Sostituisci my-project con il nome del tuo progetto Google Cloud.
Richiesta del modello
PROJECT_ID=my-project
MODEL_ID=gemini-1.5-pro-002
VERSION="v1"
LOCATION="us-central1"
ENDPOINT=${LOCATION}-aiplatform.googleapis.com
API="generateContent"
curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" -H "Content-Type: application/json" https://${ENDPOINT}/${VERSION}/projects/${PROJECT_ID}/locations/${LOCATION}/publishers/google/models/${MODEL_ID}:${API} -d '{
"contents": [
{
"role": "user",
"parts": {
"text": "What is difference in temperature in New Delhi and San Francisco?"
}
},
{
"role": "model",
"parts": [
{
"functionCall": {
"name": "get_current_weather",
"args": {
"location": "New Delhi"
}
}
},
{
"functionCall": {
"name": "get_current_weather",
"args": {
"location": "San Francisco"
}
}
}
]
},
{
"role": "user",
"parts": [
{
"functionResponse": {
"name": "get_current_weather",
"response": {
"temperature": 30.5,
"unit": "C"
}
}
},
{
"functionResponse": {
"name": "get_current_weather",
"response": {
"temperature": 20,
"unit": "C"
}
}
}
]
}
],
"tools": [
{
"function_declarations": [
{
"name": "get_current_weather",
"description": "Get the current weather in a specific location",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and state, e.g. San Francisco, CA or a zip code e.g. 95616"
}
},
"required": [
"location"
]
}
}
]
}
]
}'
La risposta in linguaggio naturale creata dal modello è simile alla seguente:
Risposta del modello
[
{
"candidates": [
{
"content": {
"parts": [
{
"text": "The temperature in New Delhi is 30.5C and the temperature in San Francisco is 20C. The difference is 10.5C. \n"
}
]
},
"finishReason": "STOP",
...
}
]
...
}
]
Python
Best practice per le chiamate di funzioni
Nome funzione
Non utilizzare punto (.), trattino (-) o spazio nel nome della funzione.
Utilizza invece i trattini bassi (_) o altri caratteri.
Descrizione della funzione
Scrivi le descrizioni delle funzioni in modo chiaro e dettagliato. Ad esempio, per una funzione
book_flight_ticket:
- Di seguito è riportato un esempio di descrizione di una buona funzione:
book flight tickets after confirming users' specific requirements, such as time, departure, destination, party size and preferred airline - Di seguito è riportato un esempio di descrizione di una funzione non valida:
book flight ticket
Parametri della funzione
Descriptions
Scrivi descrizioni dei parametri chiare e dettagliate, inclusi dettagli come il formato o i valori preferiti. Ad esempio, per una funzione book_flight_ticket:
- Di seguito è riportato un buon esempio di descrizione del parametro
departure:Use the 3 char airport code to represent the airport. For example, SJC or SFO. Don't use the city name. - Di seguito è riportato un esempio errato di descrizione del parametro
departure:the departure airport
Tipi
Se possibile, utilizza parametri di digitazione elevata per ridurre le allucinazioni del modello. Per
Ad esempio, se i valori dei parametri provengono da un insieme finito, aggiungi un campo enum
invece di inserire un insieme di valori
nella descrizione. Se il parametro
è sempre un numero intero, imposta il tipo su integer anziché su number.
Istruzioni di sistema
Quando utilizzi funzioni con parametri di data, ora o posizione, includi la data, l'ora o i dati sulla posizione pertinenti (ad esempio città e paese) correnti nell'istruzione di sistema. Ciò garantisce che il modello abbia contesto per elaborare la richiesta in modo accurato, anche se il prompt dell'utente non c'è i dettagli.
Comando dell'utente
Per ottenere risultati ottimali, anteponi al prompt dell'utente i seguenti dettagli:
- Contesto aggiuntivo per il modello, ad esempio
You are a flight API assistant to help with searching flights based on user preferences. - Dettagli o istruzioni su come e quando utilizzare le funzioni, ad esempio
Don't make assumptions on the departure or destination airports. Always use a future date for the departure or destination time. - Istruzioni per porre domande di chiarimento se le query degli utenti sono ambigue, ad esempio:
Ask clarifying questions if not enough information is available.
Configurazione di generazione
Per il parametro della temperatura, utilizza 0 o un altro valore basso. In questo modo, il modello genera risultati più affidabili e riduce le allucinazioni.
Chiamata all'API
Se il modello propone l'invocazione di una funzione che invia un ordine, aggiorna un database o ha conseguenze significative, convalida la chiamata della funzione con l'utente prima di eseguirla.
Prezzi
Il prezzo per le chiamate di funzione si basa sul numero di caratteri all'interno del parametro input e output di testo. Per scoprire di più, consulta la pagina relativa ai prezzi di Vertex AI.
In questo campo, input di testo (messaggio) si riferisce al prompt dell'utente per la svolta della conversazione corrente, la funzione per il turno di conversazione corrente e la cronologia conversazione. La cronologia della conversazione include le query, la funzione e le risposte di funzione delle conversazioni precedenti. Vertex AI tronca la cronologia della conversazione a 32.000 caratteri.
L'output di testo (risposta) si riferisce alle chiamate alle funzioni e alle risposte di testo per il turno di conversazione corrente.
Passaggi successivi
Consulta il riferimento all'API per le chiamate di funzioni.
Scopri di più sulle estensioni Vertex AI.
Scopri di più su LangChain su Vertex AI.