Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Jemné doladenie pre volanie funkcií

Lekcia 9 z 16 Aktualizované 2. novembra 2026 Pokročilý
Na tejto strane
  1. Prečo jemne doladiť pre volanie funkcií
  2. Formát dát pre volanie funkcií
  3. Bežné prípady použitia
  4. Skript na prípravu dát
  5. Spustenie úlohy jemného doladenia
  6. Osvedčené postupy
  7. Kľúčové poznatky

Aktualizácia 2. novembra 2026 — Dostupnosť jemného doladenia. Služba vlastného jemného doladenia od OpenAI sa postupne ukončuje: od 7. mája 2026 organizácie, ktoré ju nikdy nepoužili, už nemôžu vytvárať nové úlohy; od 2. júla musíte mať použitý jemne doladený model za posledných 60 dní; a od 6. januára 2027 žiadny zákazník nebude môcť spustiť nové úlohy. Už natrénované modely zostávajú použiteľné až do vyradenia ich základného modelu. Tento kurz zostáva užitočný na pochopenie a využitie existujúceho modelu; pre nové projekty uprednostnite inžinierstvo promptov, RAG a evaluácie.

Prečo jemne doladiť pre volanie funkcií

Volanie funkcií umožňuje modelu rozhodnúť sa, kedy a ako vyvolať externé funkcie. V tomto kontexte nejde pri jemnom doladení o úpravu štýlu písania: ide o spevnenie mechanizmu rozhodovania. Model natrénovaný na vašich vlastných volaniach sa najprv naučí vybrať správnu funkciu z niekoľkých dostupných možností. Ak vaša aplikácia ponúka vyhľadávanie voľných termínov aj vytváranie rezervácií, fráza „Chcel by som vidieť, čo je voľné vo štvrtok“ nesmie nikdy spustiť rezerváciu.

Následne sa naučí extrahovať správne parametre z požiadavky používateľa – teda previesť prirodzené vyjadrenie na hodnoty zodpovedajúce schéme: „zajtra o 14:00“ sa stane normalizovaným dátumom a časom. Ten istý mechanizmus učí menej nápadné, no rovnako kritické reflexy. Vedieť, kedy funkciu NEVOLAT, vám pomôže vyhnúť sa pasci, keď model spustí nástroj už pri jednoduchom pozdrave. A logické reťazenie viacerých volaní funkcií – najprv zoznam dostupnosti, potom rezervácia vybratého termínu – si vyžaduje, aby model počas tréningu videl kompletné sekvencie, nie izolované volania.

Formát dát pre volanie funkcií

Tréningové príklady zahŕňajú definície funkcií (nástroje) a zodpovedajúce volania. Správa asistenta už neobsahuje text, ale pole tool_calls; výsledok vrátený vaším systémom sa objaví v správe s rolou tool, prepojenej s volaním prostredníctvom tool_call_id; následne asistent znova odpovie, aby sformuloval odpoveď určenú používateľovi. Model sa musí naučiť reprodukovať celý tento cyklus, nielen samotné volanie.

{
  "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"]
        }
      }
    }
  ]
}

Bežné prípady použitia

Výber správnej funkcie

Natrénuj model, aby rozlíšil, ktorú funkciu zavolať na základe kontextu. V príklade nižšie sa požiadavka týka kontroly dostupnosti, nie vytvorenia rezervácie: tento príklad posilňuje pravidlo, že na otvorenú otázku sa volá list_slots a nič iné.

{
  "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 ..."]
}

NEVOLANIE funkcie

Vyhraď časť svojho datasetu na výmeny, kde model nesmie použiť žiadnu funkciu. Model natrénovaný výlučne na volaniach si zvykne produkovať volanie pri každej príležitosti, dokonca aj pri pozdrave alebo všeobecnej otázke – také správanie používateľov dráždi a zaťažuje tvoj backend. Nižšie uvedený protipríklad zaberie len pár riadkov a eliminuje celú triedu chýb.

{
  "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 ..."]
}

Extrakcia komplexných parametrov

Skutočné požiadavky sú zriedka štruktúrované. „Budúci pondelok ráno“ a „kardiológ“ sa musia zmeniť na absolútny dátum, časové obdobie a špecializáciu. Presne tu základný model najčastejšie zlyháva, a preto práve tu prináša jemné doladenie najviditeľnejší zisk: násob tento typ príkladov namiesto prípadov, ktoré sú už čisté.

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

Skript na prípravu dát

Vytvorenie súboru zostáva mechanické: funkcia na zostavenie, definícia nástroja spoločná pre všetky príklady, zoznam prípadov a následný zápis riadok po riadku vo formáte JSONL. Všimni si použitie json.dumps pre pole arguments, ktoré musí byť reťazec, nie 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")

Spustenie úlohy jemného doladenia

Úloha sa vytvorí presne tak ako pri konverzačnom jemnom doladení: obohatený formát sa rozpozná z obsahu súboru bez potreby ďalších parametrov.

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"
)

Osvedčené postupy

Výsledok závisí predovšetkým od rozmanitosti tvojho datasetu. Každá funkcia sa musí objaviť viackrát, formulácie používateľov sa musia líšiť pre ten istý zámer a oplatí sa zahrnúť aj nejednoznačné prípady sprevádzané riešením, ktoré považuješ za správne, nezabúdajúc pritom na bežné konverzácie, ktoré nevyžadujú žiadne volanie funkcie.

Ďalej je tu otázka realizmu parametrov. Hodnoty v arguments musia presne zodpovedať schéme definovanej v tools, s pravdepodobnými hodnotami namiesto zástupných symbolov ako „xxx“ – model natrénovaný na falošných hodnotách ich bude produkovať. Systematicky testuj, či je každé pole arguments platným JSON: chýbajúca zátvorka alebo úvodzovka stačí na to, aby sa príklad stal nepoužiteľným.

Nakoniec tu máme otázku proporcií. Pre dataset so 100 príkladmi pokrývajúcimi 3 funkcie poskytuje nižšie uvedené rozdelenie zdravú rovnováhu medzi funkčným pokrytím a zdržanlivosťou.

Typ príkladuMnožstvo
Na funkciu25 – 30
Bez volania funkcie10 – 15
Reťazené volania (viackrokové)5 – 10

Kľúčové poznatky

  • Formát zahŕňa okrem messages aj tools
  • Volania funkcií používajú v správe asistenta tool_calls
  • Zahrň príklady, kde model NESMIE zavolať funkciu
  • Men formulácie pre ten istý zámer
  • Over, či všetky arguments sú platný JSON zodpovedajúci schéme