Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Βελτιστοποίηση για κλήση συναρτήσεων

Μάθημα 9 / 16 Ενημερώθηκε 2 Νοεμβρίου 2026 Προχωρημένος
Σε αυτήν τη σελίδα
  1. Γιατί να κάνετε βελτιστοποίηση για κλήση συναρτήσεων
  2. Μορφή δεδομένων για κλήση συναρτήσεων
  3. Συχνές περιπτώσεις χρήσης
  4. Σενάριο προετοιμασίας δεδομένων
  5. Εκκίνηση της εργασίας βελτιστοποίησης
  6. Βέλτιστες πρακτικές
  7. Βασικά σημεία

Ενημέρωση 2 Νοεμβρίου 2026 — Διαθεσιμότητα βελτιστοποίησης. Η αυτοεξυπηρετούμενη βελτιστοποίηση (fine-tuning) της OpenAI καταργείται σταδιακά: από τις 7 Μαΐου 2026, οι οργανισμοί που δεν την έχουν χρησιμοποιήσει ποτέ δεν μπορούν πλέον να δημιουργήσουν εργασίες· από τις 2 Ιουλίου, πρέπει να έχετε χρησιμοποιήσει ένα βελτιστοποιημένο μοντέλο τις τελευταίες 60 ημέρες· και ξεκινώντας από τις 6 Ιανουαρίου 2027, κανένας πελάτης δεν θα μπορεί να ξεκινήσει νέες εργασίες. Τα ήδη εκπαιδευμένα μοντέλα παραμένουν usable μέχρι να αποσυρθεί το βασικό τους μοντέλο. Αυτό το μάθημα παραμένει χρήσιμο για την κατανόηση και την αξιοποίηση ενός υπάρχοντος μοντέλου· για νέα έργα, δώστε προτεραιότητα στη μηχανική εντολών (prompt engineering), στο RAG και στις αξιολογήσεις.

Γιατί να κάνετε βελτιστοποίηση για κλήση συναρτήσεων

Η κλήση συναρτήσεων επιτρέπει στο μοντέλο να αποφασίζει πότε και πώς να επικαλείται εξωτερικές συναρτήσεις. Σε αυτό το πλαίσιο, η βελτιστοποίηση δεν αφορά την προσαρμογή του ύφους γραφής: ενισχύει έναν μηχανισμό λήψης αποφάσεων. Ένα μοντέλο εκπαιδευμένο στις δικές σας κλήσεις μαθαίνει πρώτα να επιλέγει τη σωστή συνάρτηση από πολλές διαθέσιμες επιλογές. Εάν η εφαρμογή σας εκθέτει τόσο την αναζήτηση διαθεσιμότητας όσο και τη δημιουργία ραντεβού, η φράση «Θα ήθελα να δω τι είναι ελεύθερο την Πέμπτη» δεν πρέπει ποτέ να ενεργοποιήσει μια κράτηση.

Στη συνέχεια, μαθαίνει να εξάγει τις σωστές παραμέτρους από το αίτημα του χρήστη—δηλαδή, να μετατρέπει φυσικές διατυπώσεις σε τιμές που συμμορφώνονται με το σχήμα: η φράση «αύριο στις 2 μ.μ.» γίνεται μια κανονικοποιημένη ημερομηνία και ώρα. Ο ίδιος μηχανισμός διδάσκει αντανακλαστικά λιγότερο εντυπωσιακά αλλά εξίσου κρίσιμα. Το να γνωρίζετε πότε ΝΑ ΜΗΝ καλέσετε μια συνάρτηση αποφεύγει την παγίδα ενός μοντέλου που ενεργοποιεί ένα εργαλείο σε ένα απλό «γεια». Και η αλυσιδωτή εκτέλεση πολλαπλών κλήσεων συναρτήσεων λογικά—καταγραφή διαθεσιμότητας και στη συνέχεια κράτηση της επιλεγμένης θέσης—απαιτεί το μοντέλο να έχει δει πλήρεις ακολουθίες κατά την εκπαίδευση, όχι μεμονωμένες κλήσεις.

Μορφή δεδομένων για κλήση συναρτήσεων

Τα παραδείγματα εκπαίδευσης περιλαμβάνουν τους ορισμούς των συναρτήσεων (εργαλεία) και τις αντίστοιχες κλήσεις. Το μήνυμα του βοηθού δεν φέρει πλέον κείμενο, αλλά έναν πίνακα tool_calls· το αποτέλεσμα που επιστρέφεται από το σύστημά σας εμφανίζεται σε ένα μήνυμα ρόλου tool, συνδεδεμένο με την κλήση μέσω του tool_call_id· στη συνέχεια, ο βοηθός μιλά ξανά για να διατυπώσει την απάντηση που προορίζεται για τον χρήστη. Είναι ολόκληρος αυτός ο βρόχος, και όχι μόνο η κλήση, που το μοντέλο πρέπει να μάθει να αναπαράγει.

{
  "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"]
        }
      }
    }
  ]
}

Συχνές περιπτώσεις χρήσης

Επιλογή της σωστής συνάρτησης

Εκπαιδεύστε το μοντέλο να διακρίνει ποια συνάρτηση να καλέσει με βάση το πλαίσιο. Στο παρακάτω παράδειγμα, το αίτημα αφορά τον έλεγχο διαθεσιμότητας και όχι την πραγματοποίηση κράτησης: το παράδειγμα ενισχύει ότι μια ανοιχτή ερώτηση καλεί τη list_slots και τίποτα άλλο.

{
  "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 ..."]
}

ΜΗ κλήση συνάρτησης

Διατηρήστε μέρος του συνόλου δεδομένων σας για ανταλλαγές όπου το μοντέλο δεν πρέπει να χρησιμοποιήσει καμία συνάρτηση. Ένα μοντέλο εκπαιδευμένο αποκλειστικά σε κλήσεις αποκτά τη συνήθεια να παράγει μία σε κάθε βήμα, ακόμη και για έναν χαιρετισμό ή μια γενική ερώτηση—συμπεριφορά που ενοχλεί τους χρήστες και κοστίζει στο backend σας. Το αντιπαράδειγμα παρακάτω χρειάζεται μόνο λίγες γραμμές και εξαλείφει μια ολόκληρη κατηγορία σφαλμάτων.

{
  "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 ..."]
}

Εξαγωγή σύνθετων παραμέτρων

Τα πραγματικά αιτήματα σπάνια είναι δομημένα. Το «επόμενη Δευτέρα πρωί» και «ο καρδιολόγος» πρέπει να γίνουν μια απόλυτη ημερομηνία, ένα χρονικό διάστημα και μια ειδικότητα. Αυτό είναι ακριβώς το σημείο όπου το βασικό μοντέλο δυσκολεύεται συχνότερα, οπότε είναι εκεί όπου η βελτιστοποίηση αποφέρει το πιο ορατό όφελος: πολλαπλασιάστε αυτόν τον τύπο παραδειγμάτων αντί για περιπτώσεις που είναι ήδη καθαρές.

{
  "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": ["..."]
}

Σενάριο προετοιμασίας δεδομένων

Η δημιουργία του αρχείου παραμένει μηχανική: μια συνάρτηση συναρμολόγησης, ένας ορισμός εργαλείου κοινός για όλα τα παραδείγματα, μια λίστα περιπτώσεων και στη συνέχεια εγγραφή γραμμή προς γραμμή σε μορφή JSONL. Σημειώστε τη χρήση του json.dumps για το πεδίο arguments, το οποίο πρέπει να είναι συμβολοσειρά και όχι αντικείμενο.

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")

Εκκίνηση της εργασίας βελτιστοποίησης

Η εργασία δημιουργείται ακριβώς όπως για τη βελτιστοποίηση συνομιλίας: η εμπλουτισμένη μορφή αναγνωρίζεται από το περιεχόμενο του αρχείου, χωρίς πρόσθετες παραμέτρους.

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"
)

Βέλτιστες πρακτικές

Το αποτέλεσμα εξαρτάται πρώτα από την ποικιλομορφία του συνόλου δεδομένων σας. Κάθε συνάρτηση πρέπει να εμφανίζεται πολλές φορές, οι διατυπώσεις των χρηστών πρέπει να ποικίλλουν για την ίδια πρόθεση και ωφελείστε από την inclusion ασαφών περιπτώσεων που συνοδεύονται από τη λύση που θεωρείτε σωστή, χωρίς να ξεχνάτε τις φυσιολογικές συνομιλίες που δεν καλούν καμία συνάρτηση.

Ακολουθεί η ρεαλιστικότητα των παραμέτρων. Τα arguments πρέπει να ταιριάζουν ακριβώς με το σχήμα που ορίζεται στα tools, με πιθανές τιμές και όχι με placeholders όπως «xxx»—ένα μοντέλο εκπαιδευμένο σε ψεύτικες τιμές θα τις παράγει. Δοκιμάζετε συστηματικά ότι κάθε πεδίο arguments είναι έγκυρο JSON: μια missing άγκιστρο ή εισαγωγικό αρκεί για να καταστήσει το παράδειγμα άχρηστο.

Τέλος, υπάρχει το ζήτημα των αναλογιών. Για ένα σύνολο δεδομένων 100 παραδειγμάτων που καλύπτουν 3 συναρτήσεις, η κατανομή παρακάτω δίνει μια υγιή ισορροπία μεταξύ λειτουργικής κάλυψης και συγκράτησης.

Τύπος παραδείγματοςΠοσότητα
Ανά συνάρτηση25-30
Χωρίς κλήση συνάρτησης10-15
Αλυσιδωτές κλήσεις (πολλαπλών βημάτων)5-10

Βασικά σημεία

  • Η μορφή περιλαμβάνει tools επιπλέον των messages
  • Οι κλήσεις συναρτήσεων χρησιμοποιούν tool_calls στο μήνυμα του βοηθού
  • Περιλάβετε παραδείγματα όπου το μοντέλο ΔΕΝ πρέπει να καλέσει συνάρτηση
  • Ποικίλλετε τις διατυπώσεις για την ίδια πρόθεση
  • Επαληθεύστε ότι όλα τα arguments είναι έγκυρο JSON που συμμορφώνεται με το σχήμα