Descripción general
Puedes usar las llamadas a función para definir funciones personalizadas y proporcionarlas a un modelo de IA generativa. Mientras se procesa una consulta, el modelo puede elegir delegar ciertas tareas de procesamiento de datos a estas funciones. No llama a las funciones. En su lugar, proporciona un resultado de datos estructurados que incluye el nombre de una función seleccionada y los argumentos con los que el modelo propone que se llame a la función. Puedes usar este resultado para invocar APIs externas. Luego, puedes proporcionar el resultado de la API al modelo, lo que le permite completar su respuesta a la consulta. Cuando se usa de esta manera, la llamada a función permite que los LLM accedan a información en tiempo real y, además, interactúen con varios servicios, como bases de datos de SQL, sistemas de administración de relaciones con clientes y repositorios de documentos.
En el siguiente diagrama, se muestra cómo funciona la llamada a función: 
Para obtener información sobre los casos de uso de la llamada a función, consulta Casos de uso de la llamada a función. Para aprender a crear una aplicación que llama a función, consulta Crea una aplicación que llama a función. Para conocer las prácticas recomendadas, consulta las Prácticas recomendadas.
La llamada a función es una característica del modelo gemini-1.0-pro-001 y una función de vista previa del modelo gemini-1.0-pro-002.
Las llamadas a función son una característica del modelo Gemini 1.5 Pro (vista previa).
Casos de uso de llamada a función
Puedes usar la llamada a función para las siguientes tareas:
- Extraer entidades de historias en lenguaje natural: Extrae listas de caracteres, relaciones, objetos y lugares de una historia.
Notebook de SDK de Vertex AI para Python - Extracción de datos estructurados mediante llamadas a función - Consultar y comprender las bases de datos SQL con lenguaje natural: Pídele al modelo que convierta preguntas como
What percentage of orders are returned?en consultas de SQL y cree funciones que envíen estas consultas a BigQuery.
Entrada de blog - Compila una app de exploración de datos de BigQuery con tecnología de IA mediante llamadas a funciones en Gemini - Ayudar a los clientes a interactuar con las empresas: Crea funciones que se conecten con la API de una empresa, lo que permite que el modelo proporcione respuestas precisas a consultas como
Do you have the Pixel 8 Pro in stock?oIs there a store in Mountain View, CA that I can visit to try it out?.
SDK de Vertex AI para notebook de Python - Llamadas a funciones con la API de Gemini de Vertex AI y el SDK de Python
Muestra de REST | Muestra del chat del SDK de Vertex AI para Python - Compila aplicaciones de IA generativa mediante la conexión a APIs públicas, como las siguientes:
- Convertir entre monedas: Crea una función que se conecte a una app de intercambio de monedas, lo que permite que el modelo proporcione respuestas precisas a consultas como
What's the exchange rate for euros to dollars today?
Codelab - Cómo para interactuar con APIs mediante llamadas a funciones en Gemini - Obtener el clima de una ubicación determinada: Crea una función que se conecte a una API de un servicio meteorológico, lo que permita que el modelo proporcione respuestas precisas a consultas como
What's the weather like in Paris?
SDK de Vertex AI para notebook de Python - Llamadas a funciones con la API de Gemini de Vertex AI y el SDK de Python
Entrada de blog: Llamadas a funciones: Un framework nativo para conectar Gemini a sistemas externos, datos y APIs
Muestras de texto del SDK de Vertex AI para Python y Node.js | Muestras de chat de Node.js, Java y Go - Convertir una dirección en coordenadas de latitud y longitud: Crea una función que convierta los datos de ubicación estructurados en coordenadas de latitud y longitud. Pídele al modelo que identifique la dirección, la ciudad, el estado y el código postal en consultas como
I want to get the lat/lon coordinates for the following address: 1600 Amphitheatre Pkwy, Mountain View, CA 94043, US.
Notebook de Vertex AI para Python - llamada a función con la API de Vertex AI Gemini y SDK de Python
- Convertir entre monedas: Crea una función que se conecte a una app de intercambio de monedas, lo que permite que el modelo proporcione respuestas precisas a consultas como
- Interpretar comandos por voz: Crea funciones que correspondan a las tareas en el vehículo. Por ejemplo, puedes crear funciones que activen la radio o el aire acondicionado. Envía archivos de audio de los comandos por voz del usuario al modelo y pídele al modelo que convierta el audio en texto y que identifique la función a la que el usuario desea llamar.
- Automatizar los flujos de trabajo según los activadores de entorno: Crea funciones que representen procesos que se pueden automatizar. Proporciona al modelo datos de los sensores ambientales y pídele que analice y procese los datos para determinar si uno o más de los flujos de trabajo deben activarse. Por ejemplo, un modelo podría procesar datos de temperatura en un almacén y elegir activar una función de rociador.
- Automatizar la asignación de tickets de asistencia: Proporciona al modelo tickets de asistencia, registros y reglas contextuales. Pídele al modelo que procese toda esta información para determinar a quién se le debe asignar el ticket. Llama a una función para asignar el ticket a la persona que sugiere el modelo.
- Recupera información de una base de conocimiento: Crea funciones que recuperen artículos académicos sobre un tema determinado y los resuma. Permite que el modelo responda preguntas sobre temas académicos y proporcione citas para sus respuestas.
Crea una aplicación que llama a función
Para permitir que un usuario interactúe con el modelo y use la llamada a función, debes crear un código que realice las siguientes tareas:
- Definir y describir un conjunto de funciones disponibles mediante declaraciones de funciones.
- Enviar la consulta de un usuario y las declaraciones de la función al modelo.
- Invoca una función con la salida de datos estructurados del modelo.
- Proporcionar la salida de la API al modelo.
Puedes crear una aplicación que administre todas estas tareas. Esta aplicación puede ser un chatbot de texto, un agente de voz, un flujo de trabajo automatizado o cualquier otro programa.
Define y describe un conjunto de funciones disponibles
La aplicación debe declarar un conjunto de funciones que el modelo pueda usar para procesar la consulta. Cada declaración de función debe incluir un nombre de función y parámetros de función. Te recomendamos que también incluyas una descripción de función en cada declaración de función.
Nombre de la función
La aplicación y el modelo usan el nombre de la función para identificarla.
Para obtener prácticas recomendadas relacionadas con el nombre de la función, consulta Prácticas recomendadas: Nombre de función.
Parámetros de las funciones
Los parámetros de la función deben proporcionarse en un formato que sea compatible con el esquema de OpenAPI.
Vertex AI ofrece asistencia limitada del esquema de OpenAPI. Los siguientes atributos son compatibles: type, nullable, required, format, description, properties, items, enum. Los siguientes atributos no son compatibles: default, optional, maximum, oneOf.
Cuando uses curl, especifica el esquema mediante JSON. Cuando uses el SDK de Vertex AI para Python, especifica el esquema con un diccionario de Python.
Para conocer las prácticas recomendadas relacionadas con los parámetros de funciones, consulta Prácticas recomendadas: Parámetros de funciones.
Descripción de función
El modelo usa descripciones de funciones para comprender el propósito de las funciones y determinar si estas son útiles en el procesamiento de consultas de los usuarios.
Para obtener prácticas recomendadas relacionadas con la descripción de la función, consulta Prácticas recomendadas: Descripción de funciones.
Ejemplo de una declaración de función
A continuación, se muestra un ejemplo de una declaración de función simple en Python:
get_current_weather_func = FunctionDeclaration(
name="get_current_weather",
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."}},
},
)
El siguiente es un ejemplo de una declaración de función con un array de elementos:
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"],
},
)
Envía la consulta y las declaraciones de la función al modelo
Cuando el usuario proporciona un mensaje, la aplicación debe proporcionar al modelo la instrucción del usuario y las declaraciones de la función. Para configurar cómo el modelo genera resultados, la aplicación puede proporcionarle una configuración de generación. Para configurar cómo el modelo usa las declaraciones de funciones, la aplicación puede proporcionarle al modelo una configuración de herramienta.
Instrucción del usuario
El siguiente es un ejemplo de una instrucción de usuario: "¿Cómo está el clima en Boston?".
Para obtener prácticas recomendadas relacionadas con el mensaje del usuario, consulta Prácticas recomendadas: Instrucción del usuario.
Configuración de generación
El modelo puede generar resultados diferentes para los valores de parámetros diferentes. El parámetro de temperatura controla el grado de aleatorización en esta generación.
Las temperaturas más bajas son buenas para las funciones que requieren valores de parámetros determinística, mientras que las temperaturas más altas son buenas para las funciones con parámetros que aceptan valores de parámetros más diversos o creativos. Una temperatura de 0 es determinística, lo que significa que siempre se elige la respuesta de mayor probabilidad.
Para obtener más información, consulta API de Gemini.
Para establecer este parámetro, envía una configuración de generación (generation_config) junto con la instrucción y las declaraciones de la función.
Para obtener prácticas recomendadas relacionadas con la configuración de la generación, consulta Prácticas recomendadas: Configuración de la generación.
Configuración de herramientas
Puedes colocar algunas restricciones sobre cómo el modelo debe usar las declaraciones de funciones que le proporcionas. Por ejemplo, en lugar de permitir que el modelo elija entre una respuesta de lenguaje natural y una llamada a función, puedes forzarlo para que prediga solo las llamadas a función. También puedes optar por proporcionar al modelo un conjunto completo de declaraciones de funciones, pero restringir sus respuestas a un subconjunto de ellas.
Para colocar estas restricciones, envía una configuración de herramienta (tool_config) junto con la instrucción y las declaraciones de funciones. En la configuración, puedes especificar uno de los siguientes modos:
| Moda | Descripción |
|---|---|
| AUTOMÁTICO | El comportamiento predeterminado del modelo. El modelo decide si predecir una llamada a función o una respuesta de lenguaje natural. |
| CUALQUIERA | El modelo solo debe predecir las llamadas a funciones. Para limitar el modelo a un subconjunto de funciones, define los nombres de las funciones permitidas en allowed_function_names. |
| NINGUNO | El modelo no debe predecir llamadas a funciones. Este comportamiento es equivalente a una solicitud de modelo sin ninguna declaración de función asociada. |
El modo ANY de la configuración de la herramienta es una función de vista previa. Solo es compatible con los modelos Gemini 1.5 Pro.
Para obtener más información, consulta API de llamada a funciones.
Cómo enviar la instrucción y las declaraciones de funciones
El siguiente es un ejemplo de cómo puedes enviar la consulta y las declaraciones de función al modelo, y restringir el modelo para que prediga solo las llamadas a función get_current_weather.
# Initialize Vertex AI
vertexai.init(project=project_id, location=location)
# Initialize Gemini model
model = GenerativeModel("Gemini 1.5 Pro")
# Define a tool that includes the function declaration get_current_weather_func
weather_tool = Tool(
function_declarations=[get_current_weather_func],
)
# 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(prompt),
],
)
# 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=[weather_tool],
tool_config=ToolConfig(
function_calling_config=ToolConfig.FunctionCallingConfig(
# ANY mode forces the model to predict a function call
mode=ToolConfig.FunctionCallingConfig.Mode.ANY,
# Allowed functions to call when the mode is ANY. If empty, any one of
# the provided functions are called.
allowed_function_names=["get_current_weather"],
))
)
response_function_call_content = response.candidates[0].content
Si el modelo determina que necesita el resultado de una función en particular, la respuesta que recibe la aplicación del modelo contiene el nombre de la función y los valores de los parámetros con los que se debe llamar a la función.
El siguiente es un ejemplo de una respuesta del modelo. El modelo propone llamar a la función get_current_weather con el parámetro Boston, MA.
candidates {
content {
role: "model"
parts {
function_call {
name: "get_current_weather"
args {
fields {
key: "location"
value {
string_value: "Boston, MA"
}
}
}
}
}
}
...
}
Invoca una API externa
Si la aplicación recibe un nombre de función y valores de parámetros del modelo, la aplicación debe conectarse a una API externa y llamar a la función.
En el siguiente ejemplo, se usan datos sintéticos para simular una carga útil de respuesta desde una API externa:
# 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" } }"""
Para conocer las prácticas recomendadas relacionadas con la invocación de APIs, consulta Prácticas recomendadas: Invocación de APIs.
Proporcionar la salida de la API al modelo
Después de que una aplicación recibe una respuesta de una API externa, debe proporcionar esta respuesta al modelo. A continuación, se muestra un ejemplo de cómo puedes hacerlo con 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
Si el modelo determina que la respuesta de la API es suficiente para responder la consulta del usuario, crea una respuesta de lenguaje natural y la muestra a la aplicación. En este caso, la aplicación debe pasar la respuesta al usuario. A continuación, se muestra un ejemplo de una respuesta de consulta: 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.
Si el modelo determina que el resultado de otra función es necesario para responder la consulta, la respuesta que la aplicación recibe del modelo contendrá otro nombre de función y otro conjunto de valores del parámetro.
prácticas recomendadas
Nombre de la función
No uses caracteres de punto (.), guiones (-) ni espacios en el nombre de la función.
En su lugar, usa caracteres de guion bajo (_) o cualquier otro carácter.
Parámetros de las funciones
Escribe descripciones de parámetros claras y detalladas, incluidos detalles como tu formato o valores preferidos. Por ejemplo, para una función book_flight_ticket, usa lo siguiente:
- El siguiente es un buen ejemplo de la descripción de un parámetro
departure:Use the 3 char airport code to represent the airport. For example, SJC or SFO. Don't use the city name. - El siguiente es un mal ejemplo de la descripción de un parámetro
departure:the departure airport
Si es posible, usa parámetros de tipado fuerte para reducir las alucinaciones del modelo. Por ejemplo, si los valores de los parámetros son de un conjunto finito, agrega un campo enum en lugar de colocar el conjunto de valores en la descripción. Si el valor del parámetro es siempre un número entero, establece el tipo en integer en lugar de number.
Descripción de función
Escribe descripciones de funciones de forma clara y detallada. Por ejemplo, para una función book_flight_ticket, usa lo siguiente:
- A continuación, se muestra un ejemplo de una buena descripción de función:
book flight tickets after confirming users' specific requirements, such as time, departure, destination, party size and preferred airline - A continuación, se muestra un ejemplo de la descripción de una función incorrecta:
book flight ticket
Instrucción del usuario
Para obtener mejores resultados, antepone los siguientes detalles a la consulta del usuario:
- Contexto adicional para el modelo, por ejemplo,
You are a flight API assistant to help with searching flights based on user preferences. - Detalles o instrucciones sobre cómo y cuándo usar las funciones; por ejemplo,
Don't make assumptions on the departure or destination airports. Always use a future date for the departure or destination time. - Instrucciones para hacer preguntas aclaratorias si las búsquedas de los usuarios son ambiguas, por ejemplo,
Ask clarifying questions if not enough information is available.
Configuración de generación
Para el parámetro de temperatura, usa 0 o algún otro valor bajo. Esto le indica al modelo que genere resultados más seguros y reduzca las alucinaciones.
Invocación a la API
Si el modelo propone la invocación de una función que enviaría un pedido, actualizaría una base de datos o tendría consecuencias significativas, valida la llamada a función con el usuario antes de ejecutarla.
Precios
El precio de la llamada a función se basa en la cantidad de caracteres dentro de las entradas y salidas de texto. Para obtener más información, consulta Certificaciones de Vertex AI.
Aquí, la entrada de texto (instrucción) se refiere a la consulta del usuario para el turno de conversación actual, las declaraciones de función para el turno de conversación actual y el historial de la conversación. El historial de la conversación incluye las consultas, las llamadas a función y las respuestas de función de turnos de conversación anteriores. Vertex AI trunca el historial de la conversación en 32,000 caracteres.
El resultado de texto (respuesta) se refiere a las llamadas a función y las respuestas de texto para el turno de la conversación actual.
Muestras de llamadas a función
Puedes usar la llamada a función para generar una sola respuesta de texto o admitir una sesión de chat. Las respuestas de texto ad hoc son útiles para tareas empresariales específicas, como la generación de código. Las sesiones de chat son útiles en situaciones de conversación de formato libre, en las que es probable que el usuario haga preguntas de seguimiento.
Si usas la llamada a función para generar una sola respuesta, debes proporcionar al modelo el contexto completo de la interacción. Por otro lado, si usas la llamada a función en el contexto de una sesión de chat, la sesión almacenará el contexto por ti y lo incluirá en cada solicitud de modelo. En ambos casos, Vertex AI almacena el historial de la interacción en el lado del cliente.
Si quieres aprender a usar la llamada a función para generar una sola respuesta de texto, consulta los ejemplos de texto. Si quieres aprender a usar las llamadas a funciones para asistir en una sesión de chat, consulta los ejemplos de chat.
Ejemplos de texto
Python
En este ejemplo, se muestra una situación de texto con una función y una instrucción. Usa la clase GenerativeModel y sus métodos. Si deseas obtener más información sobre el uso del SDK de Vertex AI para Python con modelos multimodales de Gemini, consulta Introducción a las clases multimodales en el SDK de Vertex AI para Python.
Python
Si deseas obtener información para instalar o actualizar el SDK de Python, consulta Instala el SDK de Vertex AI para Python. Si deseas obtener más información, consulta la documentación de referencia de la API de Python.
Node.js
En este ejemplo, se muestra una situación de texto con una función y una instrucción.
Node.js
Antes de probar este ejemplo, sigue las instrucciones de configuración para Node.js incluidas en la guía de inicio rápido de Vertex AI sobre cómo usar bibliotecas cliente. Para obtener más información, consulta la documentación de referencia de la API de Vertex AI Node.js.
Para autenticarte en Vertex AI, configura las credenciales predeterminadas de la aplicación. Si deseas obtener más información, consulta Configura la autenticación para un entorno de desarrollo local.
REST
En este ejemplo, se muestra una situación de texto con tres funciones y una instrucción.
En este ejemplo, debes llamar al modelo de IA generativa dos veces.
- En la primera llamada, debes proporcionar al modelo el mensaje y las declaraciones de la función.
- En la segunda llamada, debes proporcionar al modelo la respuesta de la API.
Primera solicitud del modelo
La solicitud debe definir una consulta en el parámetro text. En este ejemplo, se define la siguiente consulta: “¿Qué cines de Mountain View muestran la película Barbie?”.
La solicitud también debe definir una herramienta (tools) con un conjunto de declaraciones de función (functionDeclarations). Estas declaraciones de funciones deben especificarse en un formato que sea compatible con el esquema de OpenAPI. En este ejemplo, se definen las siguientes funciones:
find_moviesencuentra títulos de películas que se proyectan en cines.find_theatresencuentra cines en función de la ubicación.get_showtimesbusca las horas de inicio de las películas que se proyectan en un cine específico.
Para obtener más información sobre los parámetros de la solicitud de modelo, consulta la API de Gemini.
Reemplaza my-project por el nombre del proyecto de Google Cloud.
Primera solicitud del modelo
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"
]
}
}
]
}
]
}'
Para el mensaje “¿Qué cines de Mountain View muestran la película de Barbie?”, el modelo podría mostrar la función find_theatres con los parámetros Barbie y Mountain View, CA.
Respuesta a la primera solicitud de modelo
[{
"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
}
}]
Segunda solicitud de modelo
En este ejemplo, se usan datos sintéticos en lugar de llamar a la API externa.
Hay dos resultados, cada uno con dos parámetros (name y 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
Reemplaza my-project por el nombre del proyecto de Google Cloud.
Segunda solicitud de modelo
PROJECT_ID=my-project
MODEL_ID=gemini-1.0-pro
API=streamGenerateContent
curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" -H "Content-Type: application/json" https://us-central1-autopush-aiplatform.sandbox.googleapis.com/v1/projects/${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 respuesta del modelo podría ser similar a la siguiente:
Respuesta a la segunda solicitud de modelo
{
"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
}
}
Ejemplos de chat
Python
En este ejemplo, se muestra una situación de chat con dos funciones y dos prompts secuenciales. Usa la clase GenerativeModel y sus métodos. Si deseas obtener más información sobre el uso del SDK de Vertex AI para Python con modelos multimodales, consulta Introducción a las clases multimodales en el SDK de Vertex AI para Python.
Si deseas obtener información para instalar o actualizar Python, consulta Instala el SDK de Vertex AI para Python. Si deseas obtener más información, consulta la documentación de referencia de la API de Python.
Node.js
Antes de probar este ejemplo, sigue las instrucciones de configuración para Node.js incluidas en la guía de inicio rápido de Vertex AI sobre cómo usar bibliotecas cliente. Para obtener más información, consulta la documentación de referencia de la API de Vertex AI Node.js.
Para autenticarte en Vertex AI, configura las credenciales predeterminadas de la aplicación. Si deseas obtener más información, consulta Configura la autenticación para un entorno de desarrollo local.
Java
Antes de probar este ejemplo, sigue las instrucciones de configuración para Java incluidas en la guía de inicio rápido de Vertex AI sobre cómo usar bibliotecas cliente. Para obtener más información, consulta la documentación de referencia de la API de Vertex AI Java.
Para autenticarte en Vertex AI, configura las credenciales predeterminadas de la aplicación. Si deseas obtener más información, consulta Configura la autenticación para un entorno de desarrollo local.
Go
Antes de probar este ejemplo, sigue las instrucciones de configuración para Go incluidas en la guía de inicio rápido de Vertex AI sobre cómo usar bibliotecas cliente. Para obtener más información, consulta la documentación de referencia de la API de Vertex AI Go.
Para autenticarte en Vertex AI, configura las credenciales predeterminadas de la aplicación. Si deseas obtener más información, consulta Configura la autenticación para un entorno de desarrollo local.