Derinimas funkcijų iškvietimui
Šiame puslapyje
Atnaujinta 2026 m. lapkričio 2 d. — Derinimo prieinamumas. „OpenAI“ savitarnos derinimo paslauga yra nutraukiama: nuo 2026 m. gegužės 7 d. organizacijos, kurios ja niekada nesinaudojo, nebegali kurti užduočių; nuo liepos 2 d. turite būti naudoję derintą modelį per pastaruosius 60 dienų; o nuo 2027 m. sausio 6 d. joks klientas nebegalės paleisti naujų užduočių. Jau apmokyti modeliai išlieka naudojami, kol jų bazinis modelis bus pašalintas. Šis kursas vis dar naudingas norint suprasti ir išnaudoti esamą modelį; naujiems projektams teikite pirmenybę raginimų inžinerijai (prompt engineering), RAG ir vertinimams.
Kodėl derinti funkcijų iškvietimui
Funkcijų iškvietimas leidžia modeliui pačiam nuspręsti, kada ir kaip iškviesti išorines funkcijas. Šiame kontekste derinimas nėra rašymo stiliaus koregavimas: tai sprendimų priėmimo mechanizmo sustiprinimas. Modelis, apmokytas jūsų pačių iškvietimais, pirmiausia išmoksta pasirinkti tinkamą funkciją iš kelių galimų variantų. Jei jūsų programa pateikia tiek laiko tarpsnių paiešką, tiek susitikimų kūrimą, frazė „Noriu pamatyti, kas laisva ketvirtadienį“ niekada neturi suaktyvinti rezervacijos.
Toliau jis išmoksta išgauti tinkamus parametrus iš vartotojo prašymo – tai reiškia, kad natūralią frazę paverčia reikšmėmis, atitinkančiomis schemą: „rytoj 14 val.“ tampa normalizuota data ir laiku. Tas pats mechanizmas išmoko mažiau akivaizdžių, bet vienodai kritinių refleksų. Žinojimas, kada NEREIKIA kviesti funkcijos, padeda išvengti spąstų, kai modelis suaktyvina įrankį tiesiog atsakydamas į „labas“. O kelių funkcijų iškvietimų grandininis jungimas – pirmiausia pateikiant laisvus laiko tarpsnius, tada rezervuojant pasirinktą – reikalauja, kad mokymo metu modelis būtų matęs pilnas sekas, o ne pavienius iškvietimus.
Duomenų formatas funkcijų iškvietimui
Mokymo pavyzdžiuose pateikiami funkcijų apibrėžimai (įrankiai) ir atitinkami jų iškvietimai. Asistento žinutėje nebėra teksto, o yra tool_calls masyvas; jūsų sistemos grąžintas rezultatas atsiranda žinutėje su vaidmeniu tool, susietoje su iškvietimu per tool_call_id; tada asistentas vėl kalba, suformuluodamas atsakymą, skirtą vartotojui. Būtent visą šią kilpą, o ne tik patį iškvietimą, modelis turi išmokti atkartoti.
{
"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"]
}
}
}
]
}
Dažni naudojimo atvejai
Tinkamos funkcijos pasirinkimas
Mokykite modelį atskirti, kurią funkciją iškviesti priklausomai nuo konteksto. Toliau pateiktame pavyzdyje prašymas susijęs su laisvų vietų tikrinimu, o ne rezervacijos atlikimu: pavyzdys sustiprina taisyklę, kad atviras klausimas turi iškviesti list_slots ir nieką daugiau.
{
"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 ..."]
}
Funkcijos NEkvietimas
Rezervuokite dalį savo duomenų rinkinio pokalbiams, kuriuose modelis neturi naudoti jokių funkcijų. Modelis, apmokytas tik iškvietimais, įpranta jų generuoti kiekviename žingsnyje, netgi atsakydamas į pasisveikinimą ar bendrą klausimą – toks elgesys erzina vartotojus ir eikvoja jūsų serverio išteklius. Toliau pateiktas priešpavyzdis užima tik kelias eilutes, tačiau pašalina целą klaidų klasę.
{
"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 ..."]
}
Sudėtingų parametrų išgavimas
Tikri prašymai retai būna struktūruoti. „Kitą pirmadienį ryte“ ir „kardiologas“ turi virsti absoliučia data, laiko tarpsniu ir specialybe. Būtent čia bazinis modelis dažniausiai suklysta, todėl būtent čia derinimas duoda didžiausią matomą naudą: dauginkite šio tipo pavyzdžius, o ne tuos atvejus, kurie jau yra tvarkingi.
{
"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": ["..."]
}
Duomenų paruošimo scenarijus
Failo kūrimas lieka mechaniškas procesas: surinkimo funkcija, visiems pavyzdžiams bendras įrankio apibrėžimas, atvejų sąrašas ir tada eilutė po eilutės rašymas JSONL formatu. Atkreipkite dėmesį į json.dumps naudojimą laukui arguments, kuris turi būti eilutė, o ne objektas.
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")
Derinimo užduoties paleidimas
Užduotis kuriama lygiai taip pat, kaip ir pokalbių derinimui: praturtintas formatas atpažįstamas iš failo turinio, jokių papildomų parametrų nereikia.
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"
)
Geriausios praktikos
Rezultatas pirmiausia priklauso nuo jūsų duomenų rinkinio įvairovės. Kiekviena funkcija turi pasirodyti kelis kartus, vartotojo frazuotės tai pačiai intencijai turi skirtis, ir naudinga įtraukti dviprasmiškų atvejų kartu su jūsų manymu teisingu jų sprendimu, nepamirštant įprastų pokalbių, kuriuose funkcijos nekviečiamos.
Kitas žingsnis – parametrų realistiškumas. arguments turi tiksliai atitikti tools apibrėžtą schemą, naudojant tikėtinas reikšmes, o ne vietas laikinams įrašams, pvz., „xxx“ – modelis, apmokytas su netikromis reikšmėmis, jas ir generuos. Sistemingai tikrinkite, ar kiekvienas arguments laukas yra tinkamas JSON: trūkstamas skliaustas ar kabutė pakanka, kad pavyzdys taptų nenaudojamas.
Galiausiai, proporcijų klausimas. 100 pavyzdžių duomenų rinkiniui, apimančiam 3 funkcijas, toliau pateiktas skirstinys užtikrina sveiką pusiausvyrą tarp funkcinės aprėpties ir atsargumo.
| Pavyzdžio tipas | Kiekis |
|---|---|
| Vienai funkcijai | 25–30 |
| Be funkcijos iškvietimo | 10–15 |
| Grandininiai iškvietimai (keli žingsniai) | 5–10 |
Svarbiausi punktai
- Formatas be
messagestaip pat apimatools - Funkcijų iškvietimai asistento žinutėje naudoja
tool_calls - Įtraukite pavyzdžių, kai modelis NETURI kviesti funkcijos
- Keiskite frazuotes tai pačiai intencijai
- Patikrinkite, ar visi
argumentsyra tinkamas JSON, atitinkantis schemą