Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Prilagoditev za klicanje funkcij

Lekcija 9 od 16 Posodobljeno 2. november 2026 Napredni
Na tej strani
  1. Zakaj prilagoditi model za klicanje funkcij
  2. Oblika podatkov za klicanje funkcij
  3. Pogosti primeri uporabe
  4. Skripta za pripravo podatkov
  5. Zagon opravila prilagajanja
  6. Najboljše prakse
  7. Ključne ugotovitve

Posodobitev 2. november 2026 — Razpoložljivost prilagajanja. Samostojno prilagajanje (fine-tuning) podjetja OpenAI se postopno ukinja: od 7. maja 2026 organizacije, ki ga še niso uporabljale, ne morejo več ustvarjati opravil; od 2. julija morate prilagojen model uporabiti v zadnjih 60 dneh; in od 6. januarja 2027 noben uporabnik ne bo mogel zagnati novih opravil. Že usposobljeni modeli ostanejo uporabni, dokler se njihov osnovni model ne umakne. Ta tečaj je še vedno koristen za razumevanje in izkoriščanje obstoječega modela; za nove projekte dajte prednost inženiringu pozivov, RAG in evalvacijam.

Zakaj prilagoditi model za klicanje funkcij

Klicanje funkcij modelu omogoča, da sam odloči, kdaj in kako priklicati zunanje funkcije. V tem kontekstu prilagajanje ni namenjeno brušenju sloga pisanja: utrdi mehanizem odločanja. Model, usposobljen na vaših lastnih klicih, se najprej nauči izbrati pravo funkcijo med več razpoložljivimi možnostmi. Če vaša aplikacija ponuja tako iskanje terminov kot njihovo ustvarjanje, stavek „Rad bi videl, kaj je prosto v četrtek” nikoli ne sme sprožiti rezervacije.

Nato se nauči izluščiti prave parametre iz uporabnikove zahteve – torej pretvoriti naravno frazo v vrednosti, ki ustrezajo shemi: „jutri ob 14. uri” postane normaliziran datum in čas. Isti mehanizem uči manj opaznih, a enako kritičnih refleksov. Vedeti, kdaj funkcije NE poklicati, preprečuje past, da bi model sprožil orodje ob preprostem pozdravu. In logično veriženje več klicev funkcij – najprej izpis razpoložljivosti, nato rezervacija izbranega termina – zahteva, da je model med usposabljanjem videl celotna zaporedja, ne le izoliranih klicev.

Oblika podatkov za klicanje funkcij

Primeri za usposabljanje vključujejo definicije funkcij (orodja) in ustrezne klice. Sporočilo asistenta ne vsebuje več besedila, temveč polje tool_calls; rezultat, ki ga vrne vaš sistem, se pojavi v sporočilu z vlogo tool, povezanem s klicem prek tool_call_id; nato asistent znova spregovori in oblikuje odgovor, namenjen uporabniku. Model se mora naučiti reproducirati celoten ta krog, ne le samega klica.

{
  "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"]
        }
      }
    }
  ]
}

Pogosti primeri uporabe

Izbira prave funkcije

Model usposobite, da glede na kontekst razloči, katero funkcijo poklicati. V spodnjem primeru se zahteva nanaša na preverjanje razpoložljivosti, ne na rezervacijo: primer okrepi dejstvo, da odprto vprašanje sproži list_slots in nič drugega.

{
  "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 ..."]
}

NE klicanje funkcije

Del svojega nabora podatkov rezervirajte za izmenjave, kjer model ne sme uporabiti nobene funkcije. Model, usposobljen izključno na klicih, si navadi, da jih proizvaja ob vsakem koraku, celo ob pozdravu ali splošnem vprašanju – vedenje, ki uporabnike draži in obremenjuje vaš strežniški del. Spodnji protiprimer zavzame le nekaj vrstic in odpravi celoten razred napak.

{
  "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 ..."]
}

Izluščevanje kompleksnih parametrov

Prave zahteve redko pridejo strukturirane. „Naslednji ponedeljek dopoldne” in „kardiolog” morata postati absolutni datum, časovno obdobje in specialnost. To je točno tisto, kjer osnovni model najpogosteje omahne, zato je to področje, kjer prilagajanje prinese najbolj vidne izboljšave: množite tovrstne primere namesto tistih, ki so že urejeni.

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

Skripta za pripravo podatkov

Izgradnja datoteke ostaja mehanska: funkcija za sestavljanje, definicija orodja, skupna vsem primerom, seznam primerov in nato zapisovanje vrstica za vrstico v formatu JSONL. Upoštevajte uporabo json.dumps za polje arguments, ki mora biti niz, ne 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")

Zagon opravila prilagajanja

Opravilo se ustvari popolnoma enako kot pri prilagajanju za pogovor: obogaten format je prepoznan iz vsebine datoteke, brez dodatnih 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"
)

Najboljše prakse

Rezultat je najprej odvisen od raznolikosti vašega nabora podatkov. Vsaka funkcija se mora pojaviti večkrat, uporabniške fraze se morajo za isti namen razlikovati, koristno pa je vključiti tudi dvoumne primere, ki jim sledi razrešitev, ki jo vi ocenite za pravilno, pri čemer ne pozabite na običajne pogovore, ki ne zahtevajo klica funkcije.

Naslednji korak je realnost parametrov. arguments morajo natančno ustrezati shemi, določeni v tools, z verjetnimi vrednostmi namesto nadomestkov, kot je „xxx” – model, usposobljen na lažnih vrednostih, jih bo tudi proizvajal. Sistematično preverite, ali je vsako polje arguments veljaven JSON: manjkajoči oklepaj ali narekovaj je dovolj, da primer postane neuporaben.

Nazadnje je tu vprašanje razmerij. Za nabor podatkov s 100 primeri, ki pokrivajo 3 funkcije, spodnja porazdelitev zagotavlja zdravo ravnovesje med funkcionalno pokritostjo in zmernostjo.

Vrsta primeraKoličina
Na funkcijo25–30
Brez klica funkcije10–15
Verižni klici (večkorakni)5–10

Ključne ugotovitve

  • Oblika vključuje tools poleg messages
  • Klici funkcij uporabljajo tool_calls v sporočilu asistenta
  • Vključite primere, kjer model NE sme poklicati funkcije
  • Spreminjajte fraze za isti namen
  • Preverite, ali so vsi arguments veljaven JSON, ki ustreza shemi