Smalkā noregulēšana funkciju izsaukšanai
Šajā lapā
Atjauninājums: 2026. gada 2. novembris — Smalkās noregulēšanas pieejamība. OpenAI pašapkalpošanās smalkā noregulēšana tiek pakāpeniski izslēgta: kopš 2026. gada 7. maija organizācijas, kas to nekad nav izmantojušas, vairs nevar izveidot uzdevumus; kopš 2. jūlija jums ir jābūt izmantojušam smalki noregulētu modeli pēdējo 60 dienu laikā; un sākot ar 2027. gada 6. janvāri, neviens klients vairs nevarēs uzsākt jaunus uzdevumus. Jau apmācītie modeļi paliek lietojami, līdz tiek izslēgts to bāzes modelis. Šis kurss joprojām ir noderīgs, lai saprastu un izmantotu esošu modeli; jauniem projektiem dodiet priekšroku uzvedņu inženierijai, RAG un novērtējumiem.
Kāpēc veikt smalko noregulēšanu funkciju izsaukšanai
Funkciju izsaukšana ļauj modelim pašam lemt, kad un kā izsaukt ārējās funkcijas. Šajā kontekstā smalkā noregulēšana nav rakstīšanas stila pielāgošana: tā nostiprina lēmumu pieņemšanas mehānismu. Modelis, kas apmācīts uz jūsu pašu izsaukumiem, vispirms iemācās izvēlēties pareizo funkciju no vairākām pieejamajām opcijām. Ja jūsu lietotne piedāvā gan laika slotu pārbaudi, gan pieraksta izveidi, frāzei „Es gribētu redzēt, kas ir brīvs ceturtdien” nekad nevajadzētu izraisīt rezervāciju.
Tālāk tas iemācās no lietotāja pieprasījuma izgūt pareizos parametrus — tas ir, pārvērst dabisku formulējumu vērtībās, kas atbilst shēmai: „rīt pulksten 14:00” kļūst par normalizētu datumu un laiku. Tas pats mehānisms iemāca mazāk uzkrītošus, bet tikpat kritiskus refleksus. Zināšana, kad NEIZSAUKT funkciju, novērš risku, ka modelis aktivizē rīku vienkārša sveiciena gadījumā. Un vairāku funkciju izsaukumu loģiska ķēdēšana — vispirms pieejamības uzskaitīšana, tad izvēlētā slotu rezervēšana — prasa, lai modelis apmācības laikā būtu redzējis pilnīgas secības, nevis izolētus izsaukumus.
Datu formāts funkciju izsaukšanai
Apmācības piemēri ietver funkciju definīcijas (rīkus) un atbilstošos izsaukumus. Asistenta ziņojumā vairs nav teksta, bet gan tool_calls masīvs; rezultāts, ko atgriež jūsu sistēma, parādās ziņojumā ar lomu tool, kas saistīts ar izsaukumu, izmantojot tool_call_id; pēc tam asistents atkal runā, lai formulētu lietotājam paredzēto atbildi. Modelim ir jāiemācās reproducēt visu šo ciklu, nevis tikai pašu izsaukumu.
{
"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"]
}
}
}
]
}
Biežākie lietojuma gadījumi
Pareizās funkcijas izvēle
Apmāci modeli atšķirt, kuru funkciju izsaukt, atkarībā no konteksta. Zemāk redzamajā piemērā pieprasījums attiecas uz pieejamības pārbaudi, nevis rezervācijas veikšanu: piemērs nostiprina, ka atvērts jautājums izsauc list_slots un neko citu.
{
"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 ..."]
}
Funkcijas neizsaukšana
Atvēli daļu savu datu kopas sarunām, kurās modelim nevajadzētu izmantot nevienu funkciju. Modelis, kas apmācīts tikai uz izsaukumiem, pierod ģenerēt tos katrā solī, pat sveiciena vai vispārīga jautājuma gadījumā — tāda uzvedība kaitina lietotājus un izmaksā dārgi jūsu backendam. Zemāk esošais pretpiemērs aizņem tikai dažas rindiņas, bet novērš veselu kļūdu klasi.
{
"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 ..."]
}
Sarežģītu parametru izgūšana
Reāli pieprasījumi reti ir strukturēti. „Nākamajā pirmdienā no rīta” un „kardiologam” ir jāpārvērš par absolūtu datumu, laika periodu un specialitāti. Tieši šeit bāzes modelis visbiežāk kļūdās, tāpēc šeit smalkā noregulēšana sniedz visredzamāko ieguvumu: reiziniet šāda veida piemērus, nevis gadījumus, kas jau ir tīri.
{
"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": ["..."]
}
Datu sagatavošanas skripts
Faila izveide paliek mehāniska: salikšanas funkcija, visu piemēru kopīgs rīka definīcijas objekts, gadījumu saraksts un tad rindu pa rindu rakstīšana JSONL formātā. Ņemiet vērā json.dumps izmantošanu laukam arguments, kam ir jābūt virknei, nevis objektam.
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")
Smalkās noregulēšanas uzdevuma uzsākšana
Uzdevums tiek izveidots tieši tāpat kā sarunu smalkajai noregulēšanai: bagātinātais formāts tiek atpazīts no faila satura, bez papildu parametriem.
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"
)
Labākā prakse
Rezultāts vispirms ir atkarīgs no jūsu datu kopas daudzveidības. Katrai funkcijai ir jāparādās vairākas reizes, lietotāju formulējumiem ir jābūt dažādiem vienam un tam pašam nodomam, un ir lietderīgi iekļaut neskaidrus gadījumus, kam pievienots jūsu uzskatīts pareizs risinājums, neaizmirstot parastās sarunas, kas neizsauc nevienas funkcijas.
Tālāk seko parametru realitāte. Laukam arguments ir precīzi jāatbilst rīkos tools definētajai shēmai, izmantojot ticamas vērtības, nevis vietturus, piemēram, „xxx” — modelis, kas apmācīts uz viltotām vērtībām, tās arī ģenerēs. Sistemātiski pārbaudiet, vai katrs lauks arguments ir derīgs JSON: viena trūkstoša iekava vai pēdiņa ir pietiekama, lai padarītu piemēru nelietojamu.
Visbeidzot, ir proporciju jautājums. Datu kopai ar 100 piemēriem, kas aptver 3 funkcijas, zemāk esošais sadalījums nodrošina veselīgu līdzsvaru starp funkcionālo pārklājumu un atturību.
| Piemēra veids | Daudzums |
|---|---|
| Uz vienu funkciju | 25–30 |
| Bez funkcijas izsaukuma | 10–15 |
| Ķēdēti izsaukumi (daudzsoloņi) | 5–10 |
Galvenās atziņas
- Formāts papildus
messagesietver arītools - Funkciju izsaukumi asistenta ziņojumā izmanto
tool_calls - Iekļaujiet piemērus, kuros modelim NEJĀIZSAUC funkcija
- Dažādojiet formulējumus vienam un tam pašam nodomam
- Pārbaudiet, vai visi
argumentsir derīgs JSON, kas atbilst shēmai