Вызов функций

Параллельный вызов функций: MegaLLM поддерживает параллельное выполнение функций для улучшенной производительности.

Как это работает

Определение доступных инструментов

Укажите функции, которые AI может использовать, с описаниями JSON Schema.

AI решает, когда вызывать

Модель определяет, когда и как использовать инструменты на основе контекста.

Выполнение и возврат результатов

Ваше приложение выполняет функцию и возвращает результаты AI.

AI обрабатывает результаты

AI включает результаты функции в свой финальный ответ.

Базовый пример

Python
JavaScript
TypeScript

from openai import OpenAI
import json

client = OpenAI(
    base_url="https://ai.megallm.io/v1",
    api_key="your-api-key"
)

# Определение ваших функций
def get_weather(location: str, unit: str = "celsius"):
    """Получить текущую погоду для локации"""
    # Имитация API-вызова
    return {
        "location": location,
        "temperature": 22,
        "unit": unit,
        "condition": "sunny"
    }

# Определение инструментов для AI
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get the current weather in a given location",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "The city and state, e.g. San Francisco, CA"
                    },
                    "unit": {
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"],
                        "description": "Temperature unit"
                    }
                },
                "required": ["location"]
            }
        }
    }
]

# Отправка сообщения с инструментами
response = client.chat.completions.create(
    model="gpt-4",
    messages=[
        {"role": "user", "content": "What's the weather in London?"}
    ],
    tools=tools,
    tool_choice="auto"  # Позволить модели решать
)

# Проверка, хочет ли модель вызвать функцию
message = response.choices[0].message

if message.tool_calls:
    # Выполнение функции
    for tool_call in message.tool_calls:
        function_name = tool_call.function.name
        function_args = json.loads(tool_call.function.arguments)

        if function_name == "get_weather":
            result = get_weather(**function_args)

            # Отправка результата обратно в модель
            follow_up = client.chat.completions.create(
                model="gpt-4",
                messages=[
                    {"role": "user", "content": "What's the weather in London?"},
                    message,  # Включить вызов инструмента ассистентом
                    {
                        "role": "tool",
                        "tool_call_id": tool_call.id,
                        "content": json.dumps(result)
                    }
                ]
            )

            print(follow_up.choices[0].message.content)

Параллельный вызов функций

MegaLLM поддерживает вызов нескольких функций параллельно для лучшей производительности:

# AI может вызывать несколько функций одновременно
response = client.chat.completions.create(
    model="gpt-4",
    messages=[
        {"role": "user", "content": "Compare the weather in London, Paris, and Tokyo"}
    ],
    tools=tools
)

# Обработка нескольких вызовов инструментов параллельно
if response.choices[0].message.tool_calls:
    import asyncio

    async def execute_tool(tool_call):
        function_name = tool_call.function.name
        function_args = json.loads(tool_call.function.arguments)

        # Асинхронное выполнение функции
        result = await async_function_registry[function_name](**function_args)

        return {
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": json.dumps(result)
        }

    # Выполнение всех функций параллельно
    tool_results = await asyncio.gather(
        *[execute_tool(tc) for tc in response.choices[0].message.tool_calls]
    )

Продвинутые паттерны

Цепочка функций

Создание сложных рабочих процессов путем объединения вызовов функций:

tools = [
    {
        "type": "function",
        "function": {
            "name": "search_products",
            "description": "Search for products",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string"},
                    "category": {"type": "string"}
                },
                "required": ["query"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "check_inventory",
            "description": "Check product inventory",
            "parameters": {
                "type": "object",
                "properties": {
                    "product_id": {"type": "string"}
                },
                "required": ["product_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "place_order",
            "description": "Place an order for a product",
            "parameters": {
                "type": "object",
                "properties": {
                    "product_id": {"type": "string"},
                    "quantity": {"type": "integer"}
                },
                "required": ["product_id", "quantity"]
            }
        }
    }
]

# AI будет объединять эти функции для выполнения сложных задач
messages = [
    {"role": "user", "content": "Find and order 2 blue t-shirts if they're in stock"}
]

# AI может:
# 1. Вызвать search_products(query="blue t-shirt")
# 2. Вызвать check_inventory(product_id="...")
# 3. Вызвать place_order(product_id="...", quantity=2)

Контроль выбора инструментов

Управление тем, когда и как AI использует инструменты:

# Принудительно вызвать конкретную функцию
response = client.chat.completions.create(
    model="gpt-4",
    messages=messages,
    tools=tools,
    tool_choice={
        "type": "function",
        "function": {"name": "get_weather"}
    }
)

# Позволить AI решать (по умолчанию)
response = client.chat.completions.create(
    model="gpt-4",
    messages=messages,
    tools=tools,
    tool_choice="auto"
)

# Запретить вызов функций
response = client.chat.completions.create(
    model="gpt-4",
    messages=messages,
    tools=tools,
    tool_choice="none"
)

# Принудительно вызвать какую-либо функцию (любую)
response = client.chat.completions.create(
    model="gpt-4",
    messages=messages,
    tools=tools,
    tool_choice="required"
)

Обработка ошибок

Правильная обработка ошибок выполнения функций:

def safe_function_call(function_name, arguments):
    try:
        result = function_registry[function_name](**arguments)
        return {"success": True, "result": result}
    except Exception as e:
        return {
            "success": False,
            "error": str(e),
            "error_type": type(e).__name__
        }

# В ответе вашего инструмента
for tool_call in message.tool_calls:
    function_name = tool_call.function.name
    function_args = json.loads(tool_call.function.arguments)

    result = safe_function_call(function_name, function_args)

    messages.append({
        "role": "tool",
        "tool_call_id": tool_call.id,
        "content": json.dumps(result)
    })

# AI обработает ошибку изящно

Реальные примеры

Ассистент для запросов к базе данных

tools = [
    {
        "type": "function",
        "function": {
            "name": "execute_sql",
            "description": "Execute a SQL query on the database",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {
                        "type": "string",
                        "description": "SQL query to execute"
                    },
                    "database": {
                        "type": "string",
                        "enum": ["users", "products", "orders"],
                        "description": "Target database"
                    }
                },
                "required": ["query", "database"]
            }
        }
    }
]

# Пользователь: "How many orders were placed last month?"
# AI генерирует: execute_sql(
#   query="SELECT COUNT(*) FROM orders WHERE created_at >= DATE_SUB(NOW(), INTERVAL 1 MONTH)",
#   database="orders"
# )

Агент интеграции API

tools = [
    {
        "type": "function",
        "function": {
            "name": "call_api",
            "description": "Make an HTTP API call",
            "parameters": {
                "type": "object",
                "properties": {
                    "method": {
                        "type": "string",
                        "enum": ["GET", "POST", "PUT", "DELETE"]
                    },
                    "url": {"type": "string"},
                    "headers": {"type": "object"},
                    "body": {"type": "object"}
                },
                "required": ["method", "url"]
            }
        }
    }
]

# AI теперь может взаимодействовать с любым API

Операции с файловой системой

tools = [
    {
        "type": "function",
        "function": {
            "name": "read_file",
            "description": "Read contents of a file",
            "parameters": {
                "type": "object",
                "properties": {
                    "path": {"type": "string"}
                },
                "required": ["path"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "write_file",
            "description": "Write content to a file",
            "parameters": {
                "type": "object",
                "properties": {
                    "path": {"type": "string"},
                    "content": {"type": "string"},
                    "append": {"type": "boolean", "default": false}
                },
                "required": ["path", "content"]
            }
        }
    }
]

Лучшие практики

Валидация: Всегда проверяйте аргументы функций перед выполнением, чтобы предотвратить ошибки.

1. Четкие описания функций

# Хорошо
"description": "Get current weather data including temperature, humidity, and conditions for a specific location"

# Плохо
"description": "Weather function"

2. Типобезопасность

// Определите типы для всех параметров функций
interface FunctionParams {
  [key: string]: unknown;
}

// Валидация перед выполнением
function validateParams<T extends FunctionParams>(
  params: unknown,
  schema: JSONSchema
): params is T {
  // Реализация валидации JSON Schema
  return ajv.validate(schema, params);
}

3. Ограничение скорости

from functools import wraps
import time

def rate_limit(calls_per_second=1):
    min_interval = 1.0 / calls_per_second
    last_called = [0.0]

    def decorator(func):
        @wraps(func)
        def wrapper(*args, **kwargs):
            elapsed = time.time() - last_called[0]
            left_to_wait = min_interval - elapsed
            if left_to_wait > 0:
                time.sleep(left_to_wait)
            ret = func(*args, **kwargs)
            last_called[0] = time.time()
            return ret
        return wrapper
    return decorator

@rate_limit(calls_per_second=10)
def call_external_api():
    # Ваш API-вызов
    pass

Потоковая передача с функциями

Комбинирование потоковой передачи с вызовом функций:

stream = client.chat.completions.create(
    model="gpt-4",
    messages=messages,
    tools=tools,
    stream=True
)

function_call = None
for chunk in stream:
    delta = chunk.choices[0].delta

    # Проверка вызовов инструментов в потоке
    if delta.tool_calls:
        if function_call is None:
            function_call = {
                "id": "",
                "name": "",
                "arguments": ""
            }

        tool_call = delta.tool_calls[0]
        if tool_call.id:
            function_call["id"] = tool_call.id
        if tool_call.function.name:
            function_call["name"] = tool_call.function.name
        if tool_call.function.arguments:
            function_call["arguments"] += tool_call.function.arguments

    # Когда вызов функции завершен
    if function_call and chunk.choices[0].finish_reason == "tool_calls":
        # Выполнить функцию
        result = execute_function(function_call)
        # Продолжить разговор с результатом

Следующие шаги

Реализуйте структурированный вывод для валидированных ответов
Изучите эмбеддинги для семантического поиска
Узнайте о моделях, доступных для различных случаев использования

Начало работы

OpenAI API

Anthropic API

Вызов функций

Как это работает

Базовый пример

Параллельный вызов функций

Продвинутые паттерны

Цепочка функций

Контроль выбора инструментов

Обработка ошибок

Реальные примеры

Ассистент для запросов к базе данных

Агент интеграции API

Операции с файловой системой

Лучшие практики

1. Четкие описания функций

2. Типобезопасность

3. Ограничение скорости

Потоковая передача с функциями

Следующие шаги

Начало работы

OpenAI API

Anthropic API

​Как это работает

​Базовый пример

​Параллельный вызов функций

​Продвинутые паттерны

​Цепочка функций

​Контроль выбора инструментов

​Обработка ошибок

​Реальные примеры

​Ассистент для запросов к базе данных

​Агент интеграции API

​Операции с файловой системой

​Лучшие практики

​1. Четкие описания функций

​2. Типобезопасность

​3. Ограничение скорости

​Потоковая передача с функциями

​Следующие шаги

Как это работает

Базовый пример

Параллельный вызов функций

Продвинутые паттерны

Цепочка функций

Контроль выбора инструментов

Обработка ошибок

Реальные примеры

Ассистент для запросов к базе данных

Агент интеграции API

Операции с файловой системой

Лучшие практики

1. Четкие описания функций

2. Типобезопасность

3. Ограничение скорости

Потоковая передача с функциями

Следующие шаги