Jemné ladění pro volání funkcí
Na této stránce
Aktualizace 2. listopadu 2026 — Dostupnost jemného ladění. Samoobslužné jemné ladění OpenAI se postupně ukončuje: od 7. května 2026 již organizace, které jej nikdy nepoužily, nemohou vytvářet nové úlohy; od 2. července musíte mít během posledních 60 dnů použitý jemně naladěný model; a počínaje 6. lednem 2027 nebude žádný zákazník schopen spustit nové úlohy. Již natrénované modely zůstávají použitelné až do vyřazení jejich základního modelu. Tento kurz je stále užitečný pro pochopení a využití stávajícího modelu; u nových projektů dejte přednost inženýrství promptů, RAG a evaluacím.
Proč ladit model pro volání funkcí
Volání funkcí umožňuje modelu rozhodovat, kdy a jak vyvolat externí funkce. V tomto kontextu není jemné ladění o úpravě stylu psaní: jde o posílení mechanismu rozhodování. Model trénovaný na vašich vlastních voláních se nejprve naučí vybírat správnou funkci z několika dostupných možností. Pokud vaše aplikace nabízí jak vyhledávání volných termínů, tak jejich rezervaci, fráze „Rád bych viděl, co je volné ve čtvrtek“ nesmí nikdy spustit proces rezervace.
Následně se model naučí extrahovat správné parametry z uživatelova požadavku – tedy převést přirozenou řeč na hodnoty odpovídající schématu: „zítra ve 14:00“ se stane normalizovaným datem a časem. Stejný mechanismus učí méně nápadné, ale stejně kritické reflexy. Vědět, kdy funkci NEVOLAT, pomáhá vyhnout se pasti, kdy model spustí nástroj pouze na pozdrav. A logické řetězení více volání funkcí – nejprve výpis dostupnosti, poté rezervace vybraného termínu – vyžaduje, aby model během tréninku viděl kompletní sekvence, nikoliv izolovaná volání.
Formát dat pro volání funkcí
Tréninkové příklady zahrnují definice funkcí (nástroje) a odpovídající volání. Zpráva asistenta již neobsahuje text, ale pole tool_calls; výsledek vrácený vaším systémem se objeví ve zprávě s rolí tool, která je s voláním propojena prostřednictvím tool_call_id; poté asistent znovu promluví, aby formuloval odpověď určenou uživateli. Právě tuto celou smyčku, nejen samotné volání, se musí model naučit reprodukovat.
{
"messages": [
{
"role": "system",
"content": "Jste asistent, který pomáhá spravovat schůzky."
},
{
"role": "user",
"content": "Rezervuj mi termín zítra ve 14:00 u doktora Martina."
},
{
"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": "Vaše schůzka s doktorem Martinem je potvrzena na zítra na 14:00. Reference: APPT-42."
}
],
"tools": [
{
"type": "function",
"function": {
"name": "create_appointment",
"description": "Vytvoří novou lékařskou schůzku",
"parameters": {
"type": "object",
"properties": {
"date": {
"type": "string",
"description": "Datum ve formátu YYYY-MM-DD"
},
"time": {
"type": "string",
"description": "Čas ve formátu HH:MM"
},
"practitioner": {
"type": "string",
"description": "Jméno lékaře"
}
},
"required": ["date", "time", "practitioner"]
}
}
},
{
"type": "function",
"function": {
"name": "list_slots",
"description": "Vypíše dostupné termíny pro lékaře",
"parameters": {
"type": "object",
"properties": {
"practitioner": {"type": "string"},
"date": {"type": "string"}
},
"required": ["practitioner"]
}
}
}
]
}
Běžné případy použití
Výběr správné funkce
Natrénujte model, aby rozlišoval, kterou funkci zavolat na základě kontextu. V níže uvedeném příkladu se požadavek týká kontroly dostupnosti, nikoliv provedení rezervace: příklad posiluje pravidlo, že na otevřenou otázku se volá list_slots a nic jiného.
{
"messages": [
{"role": "user", "content": "Jaké termíny jsou volné ve čtvrtek u doktora Martina?"},
{
"role": "assistant",
"tool_calls": [
{
"id": "call_002",
"type": "function",
"function": {
"name": "list_slots",
"arguments": "{\"practitioner\": \"Dr. Martin\", \"date\": \"2026-04-04\"}"
}
}
]
}
],
"tools": ["... stejné nástroje jako výše ..."]
}
NEVOLÁNÍ funkce
Vyhraďte část svého datasetu pro výměny, kde model nesmí použít žádnou funkci. Model trénovaný výhradně na voláních si zvykne produkovat je při každé příležitosti, dokonce i na pozdrav nebo obecnou otázku – chování, které uživatele obtěžuje a zatěžuje váš backend. Níže uvedený protipříklad zabere jen pár řádků a eliminuje celou třídu chyb.
{
"messages": [
{"role": "user", "content": "Dobrý den, jak se máte?"},
{
"role": "assistant",
"content": "Dobrý den! Mám se dobře, děkuji. Jak vám mohu dnes pomoci se schůzkami?"
}
],
"tools": ["... stejné nástroje ..."]
}
Extrakce komplexních parametrů
Skutečné požadavky jsou zřídka strukturované. „Příští pondělí dopoledne“ a „kardiolog“ se musí stát absolutním datem, časovým úsekem a specializací. Přesně zde základní model nejčastěji selhává, a proto právě zde přináší jemné ladění nejviditelnější zisk: násobte tento typ příkladů raději než případy, které jsou již čisté.
{
"messages": [
{"role": "user", "content": "Zruš mi schůzku příští pondělí dopoledne u kardiologa"},
{
"role": "assistant",
"tool_calls": [
{
"id": "call_003",
"type": "function",
"function": {
"name": "cancel_appointment",
"arguments": "{\"date\": \"2026-04-06\", \"period\": \"morning\", \"specialty\": \"cardiology\"}"
}
}
]
}
],
"tools": ["..."]
}
Skript pro přípravu dat
Vytvoření souboru zůstává mechanickou záležitostí: funkce pro sestavení, definice nástroje sdílená všemi příklady, seznam případů a poté řádek po řádku zápis ve formátu JSONL. Všimněte si použití json.dumps pro pole arguments, které musí být řetězec, nikoliv objekt.
import json
def create_function_calling_example(
messages: list[dict],
tools: list[dict]
) -> dict:
"""Vytvoří tréninkový příklad pro volání funkcí."""
return {
"messages": messages,
"tools": tools
}
# Definice nástrojů
tools = [
{
"type": "function",
"function": {
"name": "search_product",
"description": "Vyhledá produkt v katalogu",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string", "description": "Vyhledávací výrazy"},
"category": {"type": "string", "enum": ["electronics", "clothing", "home"]},
"max_price": {"type": "number", "description": "Maximální cena v eurech"}
},
"required": ["query"]
}
}
}
]
# Tréninkové příklady
examples = [
create_function_calling_example(
messages=[
{"role": "user", "content": "Hledám sluchátka do 100 eur"},
{
"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
)
]
# Uložení
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")
Spuštění úlohy jemného ladění
Úloha se vytváří přesně jako u konverzačního jemného ladění: obohacený formát je rozpoznán z obsahu souboru bez nutnosti dalších parametrů.
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"
)
Osvědčené postupy
Výsledek závisí především na rozmanitosti vašeho datasetu. Každá funkce se musí objevit vícekrát, formulace uživatelů se musí lišit pro stejný záměr a vyplatí se zahrnout nejednoznačné případy doprovázené vámi zvoleným řešením, přičemž nezapomeňte na běžné konverzace, které žádné funkce nevyžadují.
Dalším klíčovým faktorem je realističnost parametrů. Hodnoty v arguments musí přesně odpovídat schématu definovanému v tools, s věrohodnými hodnotami místo zástupných symbolů jako „xxx“ – model trénovaný na falešných hodnotách je bude produkovat. Systematicky testujte, zda je každé pole arguments platným JSONem: chybějící závorka nebo uvozovka stačí k tomu, aby byl příklad nepoužitelný.
Nakonec je tu otázka proporcí. Pro dataset o 100 příkladech pokrývající 3 funkce poskytuje níže uvedené rozdělení zdravou rovnováhu mezi funkčním pokrytím a zdrženlivostí.
| Typ příkladu | Množství |
|---|---|
| Na funkci | 25–30 |
| Bez volání funkce | 10–15 |
| Řetězená volání (vícekroková) | 5–10 |
Klíčové poznatky
- Formát zahrnuje
toolsnavíc kmessages - Volání funkcí používají v zprávě asistenta
tool_calls - Zahrňte příklady, kde model NESMÍ volat funkci
- Obměňujte formulace pro stejný záměr
- Ověřte, že všechny
argumentsjsou platný JSON odpovídající schématu