Fine-tuning til funktionskald
På denne side
Opdatering 2. november 2026 — Tilgængelighed af fine-tuning. OpenAIs selvbetjente fine-tuning udfases: Siden 7. maj 2026 kan organisationer, der aldrig har brugt det, ikke længere oprette jobs; siden 2. juli skal du have brugt en fine-tunet model inden for de sidste 60 dage; og fra 6. januar 2027 vil ingen kunde kunne starte nye jobs. Allerede trænede modeller forbliver brugbare, indtil deres basismodel udgår. Dette kursus er stadig nyttigt til at forstå og udnytte en eksisterende model; til nye projekter bør du prioritere prompt engineering, RAG og evalueringer.
Hvorfor fine-tune til funktionskald
Funktionskald lader modellen beslutte, hvornår og hvordan den skal invoke eksterne funktioner. I denne sammenhæng handler fine-tuning ikke om at justere skrivestil: Det hærdner en beslutningsmekanisme. En model, der er trænet på dine egne kald, lærer først at vælge den rigtige funktion blandt flere tilgængelige muligheder. Hvis din app tilbyder både opslag af ledige tider og oprettelse af aftaler, må sætningen „Jeg vil gerne se, hvad der er ledigt torsdag” aldrig udløse en booking.
Dernæst lærer den at udtrække de rigtige parametre fra brugerens anmodning – det vil sige at konvertere naturlig formulering til værdier, der overholder skemaet: „i morgen kl. 14” bliver til en normaliseret dato og et tidspunkt. Den samme mekanisme lærer mindre synlige, men lige så kritiske reflekser. At vide, hvornår man IKKE skal kalde en funktion, undgår faldgruben ved, at modellen udløser et værktøj ved et simpelt hej. Og at kæde flere funktionskald logisk sammen – først liste tilgængelighed, derefter booke den valgte tid – kræver, at modellen har set komplette sekvenser under træningen, ikke isolerede kald.
Dataformat til funktionskald
Træningseksempler inkluderer funktionsdefinitionerne (værktøjer) og de tilsvarende kald. Assistents meddelelsen indeholder ikke længere tekst, men et tool_calls-array; resultatet returneret af dit system vises i en meddelelse med rollen tool, linket til kaldet via tool_call_id; herefter taler assistenten igen for at formulere svaret tiltænkt brugeren. Det er hele denne løkke, ikke kun kaldet, som modellen skal lære at reproducere.
{
"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"]
}
}
}
]
}
Almindelige brugstilfælde
Valg af den rigtige funktion
Træn modellen til at skelne, hvilken funktion der skal kaldes baseret på kontekst. I eksemplet nedenfor vedrører anmodningen kontrol af tilgængelighed, ikke foretagelse af en reservation: Eksemplet understreger, at et åbent spørgsmål kalder list_slots, og intet andet.
{
"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 ..."]
}
IKKE at kalde en funktion
Afsæt en del af dit datasæt til udvekslinger, hvor modellen ikke må bruge nogen funktion. En model, der udelukkende er trænet på kald, får for vane at producere et ved hver lejlighed, selv ved en hilsen eller et generelt spørgsmål – en adfærd, der irriterer brugere og belaster dit backend. Modeksemplet nedenfor tager kun få linjer og eliminerer en hel klasse af fejl.
{
"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 ..."]
}
Udtrækning af komplekse parametre
Rigtige anmodninger er sjældent strukturerede. „Næste mandag morgen” og „kardiologen” skal blive til en absolut dato, en tidsperiode og en specialitet. Det er præcis her, basismodellen oftest snubler, så det er her, fine-tuning giver den mest synlige gevinst: Gange denne type eksempler op frem for tilfælde, der allerede er rene.
{
"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": ["..."]
}
Script til dataforberedelse
Opbygningen af filen forbliver mekanisk: En samlingsfunktion, en værktøjsdefinition delt af alle eksempler, en liste over tilfælde og derefter linje-for-linje skrivning i JSONL-format. Bemærk brugen af json.dumps til feltet arguments, som skal være en streng, ikke et objekt.
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")
Start af fine-tuning-jobbet
Jobbet oprettes nøjagtig som ved konversationel fine-tuning: Det berigede format genkendes ud fra filindholdet uden yderligere parametre.
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"
)
Bedste praksis
Resultatet afhænger først og fremmest af mangfoldigheden i dit datasæt. Hver funktion skal forekomme flere gange, brugerformuleringer skal variere for samme intention, og du har fordel af at inkludere tvetydige tilfælde ledsaget af den løsning, du anser for korrekt, uden at glemme normale samtaler, der ikke kalder nogen funktion.
Dernæst kommer parameternes realisme. arguments skal matche præcis det skema, der er defineret i tools, med plausible værdier frem for pladsholdere som „xxx” – en model trænet på falske værdier vil producere dem. Test systematisk, at hvert arguments-felt er gyldig JSON: En manglende klamme eller anførselstegn er nok til at gøre eksemplet ubrugeligt.
Endelig er der spørgsmålet om proportioner. For et datasæt på 100 eksempler, der dækker 3 funktioner, giver fordelingen nedenfor en sund balance mellem funktionel dækning og tilbageholdenhed.
| Eksempeltype | Mængde |
|---|---|
| Pr. funktion | 25-30 |
| Intet funktionskald | 10-15 |
| Kædede kald (flere trin) | 5-10 |
Vigtige pointer
- Formatet inkluderer
toolsudovermessages - Funktionskald bruger
tool_callsi assistent-meddelelsen - Inkluder eksempler, hvor modellen IKKE må kalde en funktion
- Variér formuleringer for samme intention
- Verificér, at alle
argumentser gyldig JSON, der overholder skemaet