系列篇章💥

No.	文章
1	AI大模型探索之路-实战篇：智能化IT领域搜索引擎的构建与初步实践
2	AI大模型探索之路-实战篇：智能化IT领域搜索引擎之GLM-4大模型技术的实践探索
3	AI大模型探索之路-实战篇：智能化IT领域搜索引擎之知乎网站数据获取（初步实践）
4	AI大模型探索之路-实战篇：智能化IT领域搜索引擎之知乎网站数据获取（函数封装）
5	AI大模型探索之路-实战篇：智能化IT领域搜索引擎之知乎网站数据获取（流程优化）
6	AI大模型探索之路-实战篇：智能化IT领域搜索引擎之github网站在线搜索
7	AI大模型探索之路-实战篇：智能化IT领域搜索引擎之HuggingFace网站在线搜索

---

目录

系列篇章💥一、前言二、总体概览三、智谱AI开发平台1、注册智谱AI2、取出API key 四、GLM-4 函数调用说明1、描述函数功能2、编写函数参数列表的 JSON 描述3、函数调用选择 五、GLM-4函数应用测试1、提前安装依赖2、创建智谱AI大模型客户端3、定义测试的外部function calling函数4、定义function calling函数信息生成器5、封装AI大模型的两次调用6、定义数据对象7、定义消息列表8、大模型调用测试9、智能对话助手封装10、智能对话助手测试 结语

---

一、前言

在先前的文章中，我们完成了智能化IT领域搜索引擎的基础架构设计以及Google Search API的申请等前期准备工作。本文将重点介绍如何利用GLM4的Function Calling能力进行实战体验，为我们的智能化IT领域搜索引擎的代码实现提供实践基础。

二、总体概览

本文主要通过实践体验GLM4的Function Calling能力，为我们的智能化IT领域搜索引擎的代码实现提供铺垫。我们将深入探讨智谱AI开放平台的功能特性，并在此基础上进行一系列的技术测试和应用实践。

三、智谱AI开发平台

智谱AI开放平台是一个专注于大模型技术的平台，提供多种AI应用场景的支持。该平台由智谱AI公司运营，该公司是由清华大学计算机系技术成果转化而来的，专注于做大模型的中国创新。智谱AI推出了包括中英双语千亿级对话模型、代码生成预训练模型、图片生成预训练模型等多种大模型产品，并提供大模型MaaS开放平台，实现SaaS、PaaS到MaaS的升级。

智谱AI开放平台的特点包括：

提供GLM-4模型开放API，支持多模态、多语言、多能力的智能体能力。拥有高性能的大模型，例如GLM-4-9B，它在多项评分指标上超越了Llama-3-8B-InstructMeta，并在中文学科能力上提升了50%。支持长文本处理，最高支持达1百万tokens的长文本。支持多达26种语言。提供一键微调功能，无需代码，以及AllTools智能体API，利用模型、工具和知识来执行复杂、多步骤的任务。

1、注册智谱AI

通过下面的地址注册一个开发者账号，注册成功后平台会送一部分免费的token额度。

地址：https://open.bigmodel.cn

2、取出API key

取出API key，配置到本地电脑的系统环境变量中

四、GLM-4 函数调用说明

ChatGLM 的函数调用功能可以增强模型推理效果或进行其他外部操作，包括信息检索、数据库操作、知识图谱搜索与推理、操作系统、触发外部操作等工具调用场景。

1、描述函数功能

为了向模型描述外部函数库，需要向 tools 字段传入可以调用的函数列表。参数如下表：

tools = [ { "type": "function", "function": { "name": "get_flight_number", "description": "根据始发地、目的地和日期，查询对应日期的航班号", "parameters": { ...... }, } }, { "type": "function", "function": { "name": "get_ticket_price", "description": "查询某航班在某日的票价", "parameters": { ...... }, } },]

2、编写函数参数列表的 JSON 描述

为了准确定义函数的参数列表，在编写参数列表的 JSON Schema 时建议最少包含以下字段：

description ：说明函数方法的用途。 type ：定义 JSON 数据的数据类型约束。

properties：一个Object，其中的每个属性代表要定义的 JSON 数据中的一个键。

required：指定哪些属性在数据中必须被包含。 enum：如果一个属性是枚举类型，则此字段应当设置为枚举值的数组。

则完整的tools字段设置为：

tools = [ { "type": "function", "function": { "name": "get_flight_number", "description": "根据始发地、目的地和日期，查询对应日期的航班号", "parameters": { "type": "object", "properties": { "departure": { "description": "出发地", "type": "string" }, "destination": { "description": "目的地", "type": "string" }, "date": { "description": "日期", "type": "string", } }, "required": [ "departure", "destination", "date" ] }, } }, { "type": "function", "function": { "name": "get_ticket_price", "description": "查询某航班在某日的票价", "parameters": { "type": "object", "properties": { "flight_number": { "description": "航班号", "type": "string" }, "date": { "description": "日期", "type": "string", } }, "required": [ "flight_number", "date"] }, } },]

3、函数调用选择

在 tools 参数中，如果填写了 functions 参数，则默认情况下模型将决定何时适合使用其中一个函数。 如果要控制模型如何选择函数调用，需要设置 tool_choice 参数。参数默认值为auto，此时模型根据上下文信息自行选择是否返回函数调用。将其设置为 {“name”: “your_function_name”} 时，可以强制 API 返回特定函数的调用。还可以通过将 tool_choice 参数设置为 “none” 来强制 API 不返回任何函数的调用。目前函数调用仅支持 auto 模式。

通过设置tool_choice为{“type”: “function”, “function”: {“name”: “get_ticket_price”}}以强制模型生成调用get_ticket_price的参数。

messages = []messages.append({ "role": "system", "content": "不要假设或猜测传入函数的参数值。如果用户的描述不明确，请要求用户提供必要信息"})messages.append({ "role": "user", "content": "帮我查询1234航班的票价"})response = client.chat.completions.create( model="glm-4", # 填写需要调用的模型名称 messages=messages, tools=tools, tool_choice={ "type": "function", "function": { "name": "get_ticket_price"}},)print(response.choices[0].message)messages.append(response.choices[0].message.model_dump())

五、GLM-4函数应用测试

1、提前安装依赖

pip install zhipuai

2、创建智谱AI大模型客户端

import osimport openaifrom openai import OpenAIimport shutilimport numpy as npimport pandas as pdimport jsonimport ioimport inspectimport requestsimport reimport randomimport string## 初始化客户端api_key = os.getenv("ZHIPU_API_KEY")## pip install zhipuaifrom zhipuai import ZhipuAIclient = ZhipuAI(api_key=api_key)

3、定义测试的外部function calling函数

def sunwukong_function(data): """ 孙悟空算法函数，该函数定义了数据集计算过程 :param data: 必要参数，表示带入计算的数据表，用字符串进行表示 :return：sunwukong_function函数计算后的结果，返回结果为表示为JSON格式的Dataframe类型对象 """ data = io.StringIO(data) df_new = pd.read_csv(data, sep='\s+', index_col=0) res = df_new * 10 return json.dumps(res.to_string())

4、定义function calling函数信息生成器

def auto_functions(functions_list): """ Chat模型的functions参数编写函数 :param functions_list: 包含一个或者多个函数对象的列表； :return：满足Chat模型functions参数要求的functions对象 """ def functions_generate(functions_list): # 创建空列表，用于保存每个函数的描述字典 functions = [] # 对每个外部函数进行循环 for function in functions_list: # 读取函数对象的函数说明 function_description = inspect.getdoc(function) # 读取函数的函数名字符串 function_name = function.__name__ system_prompt = '以下是某的函数说明：%s,输出结果必须是一个JSON格式的字典，只输出这个字典即可，前后不需要任何前后修饰或说明的语句' % function_description user_prompt = '根据这个函数的函数说明，请帮我创建一个JSON格式的字典，这个字典有如下5点要求：\ 1.字典总共有三个键值对；\ 2.第一个键值对的Key是字符串name，value是该函数的名字：%s，也是字符串；\ 3.第二个键值对的Key是字符串description，value是该函数的函数的功能说明，也是字符串；\ 4.第三个键值对的Key是字符串parameters，value是一个JSON Schema对象，用于说明该函数的参数输入规范。\ 5.输出结果必须是一个JSON格式的字典，只输出这个字典即可，前后不需要任何前后修饰或说明的语句' % function_name response = client.chat.completions.create( model="glm-4", messages=[ { "role": "system", "content": system_prompt}, { "role": "user", "content": user_prompt} ] ) json_str=response.choices[0].message.content.replace("```json","").replace("```","") json_function_description=json.loads(json_str) json_str={ "type": "function","function":json_function_description} functions.append(json_str) return functions ## 最大可以尝试4次 max_attempts = 4 attempts = 0 while attempts < max_attempts: try: functions = functions_generate(functions_list) break # 如果代码成功执行，跳出循环 except Exception as e: attempts += 1 # 增加尝试次数 print("发生错误：", e) if attempts == max_attempts: print("已达到最大尝试次数，程序终止。") raise # 重新引发最后一个异常 else: print("正在重新运行...") return functions

5、封装AI大模型的两次调用

def run_conversation(messages, functions_list=None, model="glm-4"): """ 能够自动执行外部函数调用的对话模型 :param messages: 必要参数，字典类型，输入到Chat模型的messages参数对象 :param functions_list: 可选参数，默认为None，可以设置为包含全部外部函数的列表对象 :param model: Chat模型，可选参数，默认模型为glm-4 :return：Chat模型输出结果 """ # 如果没有外部函数库，则执行普通的对话任务 if functions_list == None: response = client.chat.completions.create( model=model, messages=messages, ) response_message = response.choices[0].message final_response = response_message.content # 若存在外部函数库，则需要灵活选取外部函数并进行回答 else: # 创建functions对象 tools = auto_functions(functions_list) # 创建外部函数库字典 available_functions = { func.__name__: func for func in functions_list} # 第一次调用大模型 response = client.chat.completions.create( model=model, messages=messages, tools=tools, tool_choice="auto", ) response_message = response.choices[0].message tool_calls = response_message.tool_calls if tool_calls: #messages.append(response.choices[0].message) messages.append(response.choices[0].message.model_dump()) for tool_call in tool_calls: function_name = tool_call.function.name function_to_call = available_functions[function_name] function_args = json.loads(tool_call.function.arguments) ## 真正执行外部函数的就是这儿的代码 function_response = function_to_call(**function_args) messages.append( { "role": "tool", "content": function_response, "tool_call_id": tool_call.id, } ) ## 第二次调用模型 second_response = client.chat.completions.create( model=model, messages=messages, tools=tools ) # 获取最终结果 print(second_response.choices[0].message) final_response = second_response.choices[0].message.content else: final_response = response_message.content return final_response

6、定义数据对象

创建一个DataFrame对象，用于测试

# 创建一个DataFramedf = pd.DataFrame({ 'x1':[1, 2], 'x2':[3, 4]})df_str = df.to_string()

7、定义消息列表

messages=[ { "role": "system", "content": "数据集data：%s，数据集以字符串形式呈现" % df_str}, { "role": "user", "content": "请在数据集data上执行孙悟空算法函数"}]

8、大模型调用测试

functions_list=[sunwukong_function]result = run_conversation(messages, functions_list=functions_list, model="glm-4")print(result)

输出

CompletionMessage(content='根据孙悟空算法函数处理后的数据集data，我们可以看到每一行的x1和x2值都乘以了10。具体来说，第一行的x1从1变成了10，x2从3变成了30；第二行的x1从2变成了20，x2从4变成了40。这是孙悟空算法函数对输入数据集进行的计算处理。', role='assistant', tool_calls=None)根据孙悟空算法函数处理后的数据集data，我们可以看到每一行的x1和x2值都乘以了10。具体来说，第一行的x1从1变成了10，x2从3变成了30；第二行的x1从2变成了20，x2从4变成了40。这是孙悟空算法函数对输入数据集进行的计算处理。

9、智能对话助手封装

def chat_with_model(functions_list=None, prompt="你好", model="glm-4", system_message=[{ "role": "system", "content": "你是小智助手。"}]): messages = system_message messages.append({ "role": "user", "content": prompt}) while True: answer = run_conversation(messages=messages, functions_list=functions_list, model=model) print(f"智能助手回答: { answer}") # 询问用户是否还有其他问题 user_input = input("您还有其他问题吗？(输入退出以结束对话): ") if user_input == "退出": break # 记录用户回答 messages.append({ "role": "user", "content": user_input})

10、智能对话助手测试

functions_list=[sunwukong_function]chat_with_model(functions_list,prompt="你好")

对话测试如下

智能助手回答: 有什么可以帮助你的吗？智能助手回答: 有什么我可以帮助你的吗？如果你有任何问题或需要帮助，随时告诉我。智能助手回答: 当前年份是2023年。有什么我可以帮助你的吗？智能助手回答: 今天是2023年11月4日。智能助手回答: AIGC（AI-Generated Content）是指由人工智能生成的 content，可以理解为利用人工智能技术来生成文本、图片、音频、视频等各种各样的内容。AIGC 在很多领域都有广泛的应用，例如：新闻写作、视频制作、音乐创作、艺术创作等等。

结语

本篇章我们深入探索并体验了GLM-4大模型的Function Calling函数能力，通过一系列严谨的测试和实践；为后续的智能在线搜索功能奠定了坚实的技术基础，也为我们打造更智能、更高效的搜索体验提供了强有力的支持。

🎯🔖更多专栏系列文章：AIGC-AI大模型探索之路

😎 作者介绍：我是寻道AI小兵，资深程序老猿，从业10年+、互联网系统架构师，目前专注于AIGC的探索。

📖 技术交流：建立有技术交流群，可以扫码👇 加入社群，500本各类编程书籍、AI教程、AI工具等你领取！

如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我，让我们携手同行AI的探索之旅，一起开启智能时代的大门！