Definiowanie narzędzi w formacie JSON
Na tej stronie
Od teorii do praktyki
Rozumiesz już koncepcję wywoływania funkcji oraz strukturę schematów JSON. Czas przejść do konkretnej implementacji. W tej lekcji nauczysz się budować kompletne żądanie z definicjami narzędzi i obsługiwać odpowiedź modelu.
Struktura żądania z narzędziami
Oto kompletne żądanie do API Grok z zdefiniowanym narzędziem:
from openai import OpenAI
client = OpenAI(
api_key="your-api-key",
base_url="https://api.x.ai/v1"
)
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Get the current weather for a city",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "City name"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"default": "celsius"
}
},
"required": ["city"]
}
}
}
]
response = client.chat.completions.create(
model="grok-4.5",
messages=[
{"role": "user", "content": "What's the weather like in Paris?"}
],
tools=tools
)
Zwróć uwagę na zagnieżdżoną strukturę: obiekt tools zawiera tablicę, gdzie każdy element posiada pole type oraz obiekt function ze szczegółami.
Kluczowe liczby dotyczące implementacji
Obsługa odpowiedzi tool_call
Gdy model zdecyduje się wywołać funkcję, odpowiedź zawiera tablicę tool_calls:
message = response.choices[0].message
if message.tool_calls:
for tool_call in message.tool_calls:
print(f"Function: {tool_call.function.name}")
print(f"Arguments: {tool_call.function.arguments}")
print(f"ID: {tool_call.id}")
Pole tool_call.function.arguments to ciąg znaków JSON (a nie obiekt Pythona). Musisz go przeanalizować:
import json
args = json.loads(tool_call.function.arguments)
city = args["city"]
unit = args.get("unit", "celsius")
Wykonanie i zwrócenie wyniku
Po wykonaniu funkcji wysyłasz wynik z powrotem do modelu w drugim wywołaniu:
import json
# 1. Wykonaj funkcję
weather_data = get_weather(city="Paris", unit="celsius")
# 2. Zbuduj wiadomości z wynikiem
messages = [
{"role": "user", "content": "What's the weather like in Paris?"},
message, # Odpowiedź modelu z tool_calls
{
"role": "tool",
"tool_call_id": tool_call.id,
"content": json.dumps(weather_data)
}
]
# 3. Wywołaj model ponownie z wynikiem
final_response = client.chat.completions.create(
model="grok-4.5",
messages=messages,
tools=tools
)
print(final_response.choices[0].message.content)
Wiadomość z rolą tool musi zawierać:
tool_call_id: unikalny identyfikator tool_call (aby powiązać go z żądaniem)content: wynik jako ciąg znaków JSON
Definiowanie wielu narzędzi
Możesz zadeklarować dowolną liczbę narzędzi w tablicy tools:
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Get the current weather for a city",
"parameters": { ... }
}
},
{
"type": "function",
"function": {
"name": "search_restaurants",
"description": "Search for restaurants by city and cuisine type",
"parameters": { ... }
}
},
{
"type": "function",
"function": {
"name": "book_table",
"description": "Book a table at a restaurant",
"parameters": { ... }
}
}
]
Model automatycznie wybierze odpowiednie narzędzie (lub narzędzia) na podstawie żądania użytkownika.
Sprawdzenie finish_reason
Pole finish_reason w odpowiedzi wskazuje, czy model zakończył generowanie odpowiedzi, czy też oczekuje na wynik działania narzędzia:
finish_reason = response.choices[0].finish_reason
if finish_reason == "tool_calls":
# Model oczekuje na wynik jednego lub więcej narzędzi
handle_tool_calls(response)
elif finish_reason == "stop":
# Model zakończył generowanie odpowiedzi
print(response.choices[0].message.content)
Kluczowe wnioski
- Żądanie zawiera pola
messagesoraztools(definicje) - Argumenty tool_call to ciąg JSON wymagający parsowania
- Wyślij wynik w wiadomości z rolą
tool, dołączająctool_call_id - Sprawdź
finish_reason, aby wiedzieć, czy model oczekuje na wynik - Możesz zadeklarować wiele narzędzi – model wybiera automatycznie