Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Finomhangolás függvényhíváshoz

9. lecke 16 közül Frissítve 2026. november 2. Haladó
Ezen az oldalon
  1. Miért hangolj finomra függvényhíváshoz?
  2. A függvényhívás adatformátuma
  3. Gyakori használati esetek
  4. Adatelőkészítő szkript
  5. A finomhangolási feladat indítása
  6. Legjobb gyakorlatok
  7. Főbb megállapítások

Frissítés: 2026. november 2. – A finomhangolás elérhetősége. Az OpenAI saját ügyfélszolgálati finomhangolási szolgáltatását fokozatosan megszüntetik: 2026. május 7. óta azok a szervezetek, amelyek még sosem használták, már nem hozhatnak létre feladatokat; július 2. óta pedig az elmúlt 60 napban használnod kellett egy finomhangolt modellt; 2027. január 6-tól kezdve pedig egyetlen ügyfél sem indíthat új feladatokat. A már betanított modellek addig használhatók maradnak, amíg az alapmodelljüket nyugdíjba nem vonják. Ez a tanfolyam továbbra is hasznos egy meglévő modell megértéséhez és kiaknázásához; új projektek esetén azonban a prompt mérnökséget, a RAG-ot és az értékeléseket helyezd előtérbe.

Miért hangolj finomra függvényhíváshoz?

A függvényhívás lehetővé teszi, hogy a modell eldöntse, mikor és hogyan hívjon meg külső függvényeket. Ebben a kontextusban a finomhangolás nem az írási stílus csiszolásáról szól: hanem egy döntéshozó mechanizmus megerősítéséről. A saját hívásaidon betanított modell először azt tanulja meg, hogyan válassza ki a megfelelő függvényt a több elérhető lehetőség közül. Ha az alkalmazásod egyszerre tesz lehetővé időpontfoglalást és szabad helyek lekérdezését, az „Szeretném megnézni, mi szabad csütörtökön“ kifejezésnek soha nem szabad foglalást indítania.

Ezután megtanulja a helyes paraméterek kinyerését a felhasználói kérésből – vagyis a természetes megfogalmazások átalakítását a sémának megfelelő értékekké: a „holnap délután 2-kor“ kifejezésből normalizált dátum és idő lesz. Ugyanez a mechanizmus tanítja meg a kevésbé látványos, de ugyanolyan kritikus reflexeket is. Annak ismerete, hogy mikor NE hívj meg egy függvényt, elkerüli azt a csapdát, hogy a modell egy egyszerű köszönésre is eszközt aktiváljon. Több függvényhívás logikai láncolása – például a rendelkezésre állás listázása, majd a választott időpont foglalása – megköveteli, hogy a modell a betanítás során teljes szekvenciákat lásson, ne pedig elszigetelt hívásokat.

A függvényhívás adatformátuma

A betanítási példák tartalmazzák a függvénydefiníciókat (eszközöket) és a hozzájuk tartozó hívásokat. Az asszisztens üzenete már nem szöveget, hanem egy tool_calls tömböt tartalmaz; a rendszered által visszaadott eredmény egy tool szerepkörű üzenetben jelenik meg, amely a tool_call_id segítségével kapcsolódik a híváshoz; ezt követően az asszisztens újra megszólal, hogy megfogalmazza a felhasználónak szánt választ. Nem csupán a hívást, hanem ezt a teljes ciklust kell a modellnek megtanulnia reprodukálni.

{
  "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"]
        }
      }
    }
  ]
}

Gyakori használati esetek

A megfelelő függvény kiválasztása

Tanítsd be a modellt, hogy a kontextus alapján megkülönböztesse, melyik függvényt kell meghívnia. Az alábbi példában a kérés a rendelkezésre állás ellenőrzésére vonatkozik, nem pedig foglalásra: a példa megerősíti, hogy egy nyitott kérdés a list_slots függvényt hívja meg, és semmi mást.

{
  "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 ..."]
}

Függvényhívás mellőzése

Fenntartott helyet a datasetedben olyan beszélgetések számára, ahol a modellnek nem szabad semmilyen függvényt használnia. Egy kizárólag hívásokra betanított modell megszokja, hogy minden lépésnél produkáljon egyet, még egy köszönés vagy egy általános kérdés esetén is – ez a viselkedés bosszantja a felhasználókat és terheli a backendedet. Az alábbi ellenpélda mindössze néhány sorból áll, mégis kiküszöböl egy teljes hibakategóriát.

{
  "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 ..."]
}

Komplex paraméterek kinyerése

A valós kérések ritkán strukturáltak. A „jövő hétfőn reggel“ és „a kardiológus“ kifejezéseknek abszolút dátummá, időintervallummá és specialitássá kell válniuk. Pontosan itt botlik meg leggyakrabban az alapmodell, ezért itt hozza a finomhangolás a leglátványosabb eredményt: sokszorozd meg ezt a típusú példát, ne pedig azokat, amelyek már eleve tiszták.

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

Adatelőkészítő szkript

A fájl összeállítása mechanikus folyamat: egy összeszerelő függvény, az összes példára közös eszközdefiníció, az esetek listája, majd soronkénti írás JSONL formátumban. Figyeld meg a json.dumps használatát az arguments mezőnél, amelynek szövegnek (string) kell lennie, nem pedig objektumnak.

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")

A finomhangolási feladat indítása

A feladat létrehozása pontosan ugyanúgy történik, mint a beszélgetési célú finomhangolás esetén: a dúsított formátumot a fájl tartalma alapján ismeri fel a rendszer, további paraméterek nélkül.

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"
)

Legjobb gyakorlatok

Az eredmény elsősorban a dataseted sokszínűségétől függ. Minden függvénynek többször is meg kell jelennie, a felhasználói megfogalmazásoknak változatosaknak kell lenniük ugyanazon szándék esetén, és érdemes bizonytalan eseteket is belefoglalni, mellettük a szerinted helyes megoldással, anélkül, hogy elfelejtenéd azokat a normál beszélgetéseket, amelyek nem hívnak meg függvényt.

Ezt követi a paraméterek realitása. Az arguments mezőknek pontosan meg kell felelniük a tools részben definiált sémának, hihető értékekkel, nem pedig olyan helykitöltőkkel, mint az „xxx“ – egy hamis értékekre betanított modell ezeket fogja produkálni. Szisztematikusan teszteld, hogy minden arguments mező érvényes JSON-e: egy hiányzó zárójel vagy idézőjel is elég ahhoz, hogy a példát használhatatlanná tegye.

Végül ott van az arányok kérdése. Egy 3 függvényt lefedő, 100 példából álló dataset esetén az alábbi eloszlás egészséges egyensúlyt biztosít a funkcionális lefedettség és a visszafogottság között.

Példa típusaMennyiség
Függvényenként25-30
Függvényhívás nélkül10-15
Láncolt hívások (töblépcsős)5-10

Főbb megállapítások

  • A formátum a messages mellett tools elemeket is tartalmaz
  • A függvényhívások a tool_calls tömböt használják az asszisztens üzenetében
  • Vegyél fel példákat, ahol a modellnek NEM szabad függvényt hívnia
  • Változatos megfogalmazásokat használj ugyanazon szándék kifejezésére
  • Ellenőrizd, hogy minden arguments érvényes JSON és megfelel a sémának