Funktsioonide kutsumise peenhäälestamine
Sellel lehel
Uuendus 2. november 2026 — Peenhäälestuse kättesaadavus. OpenAI iseteeninduslik peenhäälestus on lõpetamas: alates 7. maist 2026 ei saa organisatsioonid, kes seda varem kasutanud pole, enam uusi ülesandeid luua; alates 2. juulist peab olema viimase 60 päeva jooksul kasutatud peenhäälestatud mudelit; ja alates 6. jaanuarist 2027 ei saa ükski klient uusi ülesandeid käivitada. Juba treenitud mudelid jäävad kasutatavaks kuni nende baasmudeli kasutusest kõrvaldamiseni. See kursus on endiselt kasulik olemasoleva mudeli mõistmiseks ja rakendamiseks; uute projektide puhul sea esikohale vihjeinseneria (prompt engineering), RAG ja hindamine.
Miks peenhäälestada funktsioonide kutsumiseks
Funktsioonide kutsumine võimaldab mudelil otsustada, millal ja kuidas väliseid funktsioone käivitada. Selles kontekstis ei seisne peenhäälestamine kirjutamisstiili kohandamises: see muudab otsustusmehhanismi kindlamaks. Sinu enda kutsetel treenitud mudel õpib esmalt valima mitme võimaliku hulgast õige funktsiooni. Kui sinu rakendus pakub nii vabade aegade pärimist kui ka aja broneerimist, ei tohi fraas „Soovin näha, mis on neljapäeval vaba“ kunagi käivitada broneeringu tegemist.
Seejärel õpib mudel eraldama kasutaja taotlusest õigeid parameetreid – teisendama loomuliku keele väärtusteks, mis vastavad skeemile: „homme kell 14.00“ muutub normaliseeritud kuupäevaks ja kellaajaks. Sama mehhanism õpetab ka vähem silmatorkavaid, kuid sama kriitilisi reflekse. Teadmine, millal funktsiooni MITTE kutsuda, hoiab ära olukorra, kus mudel käivitab tööriista lihtsa tervituse peale. Mitme funktsioonikutsumise loogiline aheldamine – näiteks vabade aegade loetlemine ja seejärel valitud aja broneerimine – eeldab, et mudel on treeningu käigus näinud terviklikke jadasid, mitte üksikuid kutseid.
Funktsioonide kutsumise andmevorming
Treeningnäited sisaldavad funktsioonide definitsioone (tööriistu) ja neile vastavaid kutseid. Assistenti sõnum ei sisalda enam teksti, vaid tool_calls massiivi; sinu süsteemi tagastatud tulemus ilmub tool rolliga sõnumisse, mis on seotud kutsega väljaga tool_call_id; seejärel vastab assistent uuesti, formuleerides kasutajale mõeldud vastuse. Mudel peab õppima taasesitama kogu seda tsüklit, mitte ainult kutset ennast.
{
"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"]
}
}
}
]
}
Levinud kasutusjuhud
Õige funktsiooni valimine
Treeni mudelit eristama konteksti põhjal, millist funktsiooni kutsuda. Allpool toodud näites puudutab taotlus vabade aegade kontrollimist, mitte broneeringu tegemist: näide kinnistab reeglit, et avatud küsimus kutsub esile list_slots ja mitte midagi muud.
{
"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 ..."]
}
Funktsiooni MITTE kutsumine
Jäta osa oma andmestikust vahetusteks, kus mudel ei tohi ühtegi funktsiooni kasutada. Mudel, mida on treenitud ainult kutsetega, harjub iga sammu juures funktsiooni tootma, isegi tervituse või üldise küsimuse korral – selline käitumine ärritab kasutajaid ja koormab sinu taustasüsteemi. Allpool toodud vastunäide võtab vaid paar rida, kuid kõrvaldab terve veaklassi.
{
"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 ..."]
}
Komplekssete parameetrite eraldamine
Tegelikkuses on taotlused harva struktureeritud. „Järgmisel esmaspäeva hommikul“ ja „kardioloog“ peavad muutuma absoluutseks kuupäevaks, ajavahemikuks ja erialaks. Just siin komistab baasmudel kõige sagedamini, mistõttu toob peenhäälestus siin kõige nähtavama kasu: korruta seda tüüpi näiteid, mitte neid, mis on juba puhtad.
{
"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": ["..."]
}
Andmete ettevalmistamise skript
Faili loomine jääb mehaaniliseks: koostamisfunktsioon, kõigi näidete jaoks ühine tööriista definitsioon, juhtumite loetelu ja seejärel rea haaval kirjutamine JSONL-vormingus. Pane tähele json.dumps kasutamist välja arguments jaoks, mis peab olema sõne, mitte 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")
Peenhäälestuse ülesande käivitamine
Ülesanne luuakse täpselt nagu vestlusel põhineva peenhäälestuse puhul: rikastatud vorming tuvastatakse faili sisu põhjal ilma täiendavate parameetriteta.
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"
)
Parimad tavad
Tulemus sõltub esmajoones sinu andmestiku mitmekesisusest. Iga funktsioon peab esinema mitu korda, kasutaja sõnastused peavad sama intentsiooni korral varieeruma ja kasulik on lisada ebaselgeid juhtumeid koos sinu poolt õigeks peetava lahendusega, unustamata seejuures tavapäraseid vestlusi, mis ei kutsu esile ühtegi funktsiooni.
Järgmisena tuleb parameetrite realism. Väljad arguments peavad täpselt vastama tööriistades (tools) määratletud skeemile, kasutades usutavaid väärtusi, mitte kohatäitjaid nagu „xxx“ – mudel, mida on treenitud valede väärtustega, toodab neid ka tulevikus. Testi süstemaatiliselt, et iga välja arguments sisu on kehtiv JSON: üks puuduv sulg või jutumärk muudab näite kasutuskõlbmatuks.
Lõpuks tekib küsimus proportsioonidest. 100 näidet hõlmava andmestiku puhul, mis katab 3 funktsiooni, tagab allpool toodud jaotus tervisliku tasakaalu funktsionaalse katvuse ja tagasihoidlikkuse vahel.
| Näite tüüp | Kogus |
|---|---|
| Funktsiooni kohta | 25–30 |
| Ilma funktsiooni kutsumiseta | 10–15 |
| Aheldatud kutsed (mitmeastmelised) | 5–10 |
Peamised punktid
- Vorming sisaldab lisaks
messageska väljatools - Funktsioonide kutsed kasutavad assistendi sõnumis välja
tool_calls - Lisa näiteid, kus mudel ei tohi funktsiooni kutsuda
- Varii sama intentsiooni jaoks erinevaid sõnastusi
- Veendu, et kõik
argumentsväljad on kehtivad JSON-id, mis vastavad skeemile