Файн-тюнинг за извикване на функции
На тази страница
Актуализация от 2 ноември 2026 г. — Наличност на файн-тюнинг. Собствената услуга за файн-тюнинг на OpenAI се премахва постепенно: от 7 май 2026 г. организациите, които никога не са я използвали, вече не могат да създават задачи; от 2 юли трябва да сте използвали финално настроен модел през последните 60 дни; а считано от 6 януари 2027 г., никой клиент няма да може да стартира нови задачи. Вече обучените модели остават използваеми, докато базовият им модел не бъде пенсиониран. Този курс остава полезен за разбиране и използване на съществуващ модел; за нови проекти дайте приоритет на инженерството на подкани (prompt engineering), RAG и оценяването.
Защо да правите файн-тюнинг за извикване на функции
Извикването на функции позволява на модела да решава кога и как да invoke външни функции. В този контекст файн-тюнингът не става въпрос за коригиране на стила на писане: той затвърждава механизъм за вземане на решения. Модел, обучен върху вашите собствени повиквания, първо се научава да избира правилната функция от няколко налични опции. Ако вашето приложение предоставя както търсене на свободни слотове, така и създаване на срещи, фразата „Бих искал да видя какво е свободно в четвъртък“ никога не трябва да задейства резервация.
След това той се научава да извлича правилните параметри от заявката на потребителя – тоест да преобразува естествения изказ в стойности, които отговарят на схемата: „утре в 14:00 ч.“ става нормализирана дата и час. Същият механизъм преподава по-малко впечатляващи, но еднакво критични рефлекси. Знанието кога НЕ трябва да се извиква функция избягва капана моделът да задейства инструмент при обикновено „здрасти“. А верижното изпълнение на множество извиквания на функции логически – изброяване на наличността, след което резервиране на избрания слот – изисква моделът да е виждал пълни последователности по време на обучението, а не изолирани повиквания.
Формат на данните за извикване на функции
Примерите за обучение включват дефинициите на функциите (инструменти) и съответните им извиквания. Съобщението на асистента вече не съдържа текст, а масив tool_calls; резултатът, върнат от вашата система, се появява в съобщение с роля tool, свързано с извикването чрез tool_call_id; след това асистентът отново говори, за да формулира отговора, предназначен за потребителя. Именно този цял цикъл, а не само извикването, трябва моделът да се научи да възпроизвежда.
{
"messages": [
{
"role": "system",
"content": "You are an assistant that helps manage appointments."
},
{
"role": "user",
"content": "Book me a slot tomorrow at 2 PM with Dr. Martin."
},
{
"role": "assistant",
"tool_calls": [
{
"id": "call_001",
"type": "function",
"function": {
"name": "create_appointment",
"arguments": "{\"date\": \"2026-04-03\", \"time\": \"14:00\", \"practitioner\": \"Dr. Martin\"}"
}
}
]
},
{
"role": "tool",
"tool_call_id": "call_001",
"content": "{\"status\": \"confirmed\", \"id\": \"appt_42\"}"
},
{
"role": "assistant",
"content": "Your appointment with Dr. Martin is confirmed for tomorrow at 2 PM. Reference: APPT-42."
}
],
"tools": [
{
"type": "function",
"function": {
"name": "create_appointment",
"description": "Creates a new medical appointment",
"parameters": {
"type": "object",
"properties": {
"date": {
"type": "string",
"description": "Date in YYYY-MM-DD format"
},
"time": {
"type": "string",
"description": "Time in HH:MM format"
},
"practitioner": {
"type": "string",
"description": "Name of the practitioner"
}
},
"required": ["date", "time", "practitioner"]
}
}
},
{
"type": "function",
"function": {
"name": "list_slots",
"description": "Lists available slots for a practitioner",
"parameters": {
"type": "object",
"properties": {
"practitioner": {"type": "string"},
"date": {"type": "string"}
},
"required": ["practitioner"]
}
}
}
]
}
Чести случаи на употреба
Избор на правилната функция
Обучете модела да разграничава коя функция да извика въз основа на контекста. В примера по-долу заявката се отнася до проверка на наличността, а не до правене на резервация: примерът подсилва, че отворен въпрос извиква list_slots и нищо друго.
{
"messages": [
{"role": "user", "content": "What slots are free on Thursday with Dr. Martin?"},
{
"role": "assistant",
"tool_calls": [
{
"id": "call_002",
"type": "function",
"function": {
"name": "list_slots",
"arguments": "{\"practitioner\": \"Dr. Martin\", \"date\": \"2026-04-04\"}"
}
}
]
}
],
"tools": ["... same tools as above ..."]
}
НЕ извикване на функция
Заделете част от вашия набор от данни за размени, при които моделът не трябва да използва никаква функция. Модел, обучен изключително върху извиквания, свиква да генерира такова при всяка възможност, дори за поздрав или общ въпрос – поведение, което дразни потребителите и натоварва вашия бекенд. Контрапримерът по-долу отнема само няколко реда и елиминира цял клас грешки.
{
"messages": [
{"role": "user", "content": "Hello, how are you?"},
{
"role": "assistant",
"content": "Hello! I'm doing well, thanks. How can I help you with your appointments today?"
}
],
"tools": ["... same tools ..."]
}
Извличане на сложни параметри
Реалните заявки рядко са структурирани. „Следващият понеделник сутринта“ и „кардиологът“ трябва да станат абсолютна дата, времеви интервал и специалност. Това е точно мястото, където базовият модел най-често се затруднява, затова именно тук файн-тюнингът носи най-видимата полза: умножете този тип примери, вместо случаите, които вече са изчистени.
{
"messages": [
{"role": "user", "content": "Cancel my appointment next Monday morning with the cardiologist"},
{
"role": "assistant",
"tool_calls": [
{
"id": "call_003",
"type": "function",
"function": {
"name": "cancel_appointment",
"arguments": "{\"date\": \"2026-04-06\", \"period\": \"morning\", \"specialty\": \"cardiology\"}"
}
}
]
}
],
"tools": ["..."]
}
Скрипт за подготовка на данните
Изграждането на файла остава механично: функция за сглобяване, дефиниция на инструмент, споделена от всички примери, списък със случаи и след това запис ред по ред във формат JSONL. Обърнете внимание на използването на json.dumps за полето arguments, което трябва да бъде низ, а не обект.
import json
def create_function_calling_example(
messages: list[dict],
tools: list[dict]
) -> dict:
"""Creates a training example for function calling."""
return {
"messages": messages,
"tools": tools
}
# Tool definitions
tools = [
{
"type": "function",
"function": {
"name": "search_product",
"description": "Searches for a product in the catalog",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string", "description": "Search terms"},
"category": {"type": "string", "enum": ["electronics", "clothing", "home"]},
"max_price": {"type": "number", "description": "Maximum price in euros"}
},
"required": ["query"]
}
}
}
]
# Training examples
examples = [
create_function_calling_example(
messages=[
{"role": "user", "content": "I'm looking for headphones under 100 euros"},
{
"role": "assistant",
"tool_calls": [{
"id": "call_1",
"type": "function",
"function": {
"name": "search_product",
"arguments": json.dumps({
"query": "headphones",
"category": "electronics",
"max_price": 100
})
}
}]
}
],
tools=tools
)
]
# Save
with open("function_calling_train.jsonl", "w", encoding="utf-8") as f:
for ex in examples:
f.write(json.dumps(ex, ensure_ascii=False) + "\n")
Стартиране на задачата за файн-тюнинг
Задачата се създава точно както при конвенционалния файн-тюнинг: обогатеният формат се разпознава от съдържанието на файла, без нужда от допълнителни параметри.
from openai import OpenAI
client = OpenAI()
file = client.files.create(
file=open("function_calling_train.jsonl", "rb"),
purpose="fine-tune"
)
job = client.fine_tuning.jobs.create(
training_file=file.id,
model="gpt-5.6-luna",
suffix="function-calling-v1"
)
Най-добри практики
Резултатът зависи преди всичко от разнообразието на вашия набор от данни. Всяка функция трябва да се появява многократно, формулировките на потребителите трябва да варират за едно и също намерение, и е полезно да включите двусмислени случаи, придружени от решението, което считате за правилно, без да забравяте нормалните разговори, които не изискват извикване на функция.
Следва реалистичността на параметрите. arguments трябва точно да съответстват на схемата, дефинирана в tools, с правдоподобни стойности, а не с заместители като „xxx“ – модел, обучен върху фалшиви стойности, ще ги възпроизвежда. Системно тествайте дали всяко поле arguments е валиден JSON: липсваща скоба или кавичка е достатъчна, за да направи примера неизползваем.
Накрая идва въпросът за пропорциите. За набор от данни от 100 примера, обхващащи 3 функции, разпределението по-долу осигурява здравословен баланс между функционално покритие и сдържаност.
| Тип пример | Количество |
|---|---|
| На функция | 25-30 |
| Без извикване на функция | 10-15 |
| Верижни извиквания (многоетапни) | 5-10 |
Ключови изводи
- Форматът включва
toolsв допълнение къмmessages - Извикванията на функции използват
tool_callsв съобщението на асистента - Включете примери, при които моделът НЕ трябва да извиква функция
- Варирайте формулировките за едно и също намерение
- Уверете се, че всички
argumentsса валиден JSON, съответстващ на схемата