فراخوانی تابع چیست؟

مدل زبانی خودش به اینترنت، پایگاه داده یا API شما دسترسی ندارد. با function calling، فهرستی از ابزارها را همراه درخواست توصیف می‌کنید (نام، توضیح، پارامترها با JSON Schema). مدل اگر لازم بداند، به‌جای پاسخ متنی، یک «درخواست فراخوانی» با آرگومان‌های JSON برمی‌گرداند.

برنامه‌ی شما تابع واقعی را اجرا می‌کند، نتیجه را به مدل برمی‌گرداند و مدل پاسخ نهایی را می‌سازد. این الگو پایه‌ی ایجنت‌ها، دستیارهای متصل به داده و ساخت خروجی ساخت‌یافته است.

نکته‌ی امنیتی: خروجی مدل را همیشه اعتبارسنجی کنید؛ آرگومان‌ها ممکن است ناقص یا مخرب باشند و تابع‌ها باید حداقل دسترسی لازم را داشته باشند.

{
  "tools": [{
    "type": "function",
    "function": {
      "name": "get_order_status",
      "description": "وضعیت سفارش را برمی‌گرداند",
      "parameters": {
        "type": "object",
        "properties": {"order_id": {"type": "string"}},
        "required": ["order_id"]
      }
    }
  }]
}

مثال کاربردی

کاربر می‌پرسد «سفارش ۱۲۳۴ کجاست؟». مدل تابع get_order_status را با order_id برابر ۱۲۳۴ درخواست می‌کند، برنامه‌ی شما از پایگاه داده می‌خواند، نتیجه را به مدل می‌دهد و مدل با جمله‌ی طبیعی پاسخ می‌دهد.

چطور در عمل بررسی کنیم؟

بهترین راه یادگرفتن این مفهوم، دیدن آن در یک درخواست واقعی است. یک کلید بسازید، فهرست مدل‌ها را با /v1/models بگیرید، یک درخواست کوچک بفرستید و فیلدهای پاسخ (از جمله usage و finish_reason) را بخوانید. سپس همان درخواست را با پارامتر یا مدل دیگر تکرار و در داشبورد مصرف و هزینه را مقایسه کنید. نمونه‌های آماده در راهنمای cURL و راهنمای پایتون هست.

اصطلاحات نزدیک

• پرامپت سیستم: System Prompt دستورالعمل اولیه‌ای است که نقش، لحن، قوانین و محدودیت‌های مدل را برای کل گفتگو تعیین می‌کند.
• تولید مبتنی بر بازیابی: RAG روشی است که پیش از پاسخ، بخش‌های مرتبط از اسناد شما بازیابی و همراه پرسش به مدل داده می‌شود تا پاسخ بر پایه‌ی داده‌ی شما باشد.
• مدل زبانی بزرگ: مدل زبانی بزرگ مدلی یادگیری عمیق است که روی حجم عظیمی از متن آموزش دیده و می‌تواند متن بفهمد و تولید کند.
• توهم مدل: توهم (Hallucination) وقتی است که مدل زبانی اطلاعات نادرست یا ساختگی را روان و مطمئن بیان می‌کند.

در پیکو هوش

قالب tools در درخواست‌های سازگار با OpenAI پذیرفته می‌شود؛ اجرای واقعی به مدل بستگی دارد. قابلیت‌های هر مدل را در کاتالوگ و با یک تست کوچک بررسی کنید.

اشتباهات رایج

• اجرای مستقیم خروجی مدل بدون اعتبارسنجی.
• توضیح مبهم تابع که مدل را گیج می‌کند.