Udostępnij za pośrednictwem

Wywoływanie funkcji agentów sztucznej inteligencji platformy Azure

  • Artykuł

Agenci usługi Azure AI obsługują wywoływanie funkcji, co pozwala opisać strukturę funkcji asystenta, a następnie zwrócić funkcje, które muszą być wywoływane wraz z ich argumentami.

Uwaga

Przebiegi wygasają dziesięć minut po utworzeniu. Pamiętaj, aby przesłać dane wyjściowe narzędzia przed wygaśnięciem.

Definiowanie funkcji, która ma być wywoływana przez agenta

Zacznij od zdefiniowania funkcji, która ma być wywoływana przez agenta. Podczas tworzenia funkcji, która ma zostać wywołana przez agenta, należy opisać jego strukturę z dowolnymi wymaganymi parametrami w spisie treści. Uwzględnij wszystkie definicje funkcji w jednym pliku, user_functions.py który można następnie zaimportować do głównego skryptu.

import json
import datetime
from typing import Any, Callable, Set, Dict, List, Optional

def fetch_weather(location: str) -> str:
    """
    Fetches the weather information for the specified location.

    :param location (str): The location to fetch weather for.
    :return: Weather information as a JSON string.
    :rtype: str
    """
    # In a real-world scenario, you'd integrate with a weather API.
    # Here, we'll mock the response.
    mock_weather_data = {"New York": "Sunny, 25°C", "London": "Cloudy, 18°C", "Tokyo": "Rainy, 22°C"}
    weather = mock_weather_data.get(location, "Weather data not available for this location.")
    weather_json = json.dumps({"weather": weather})
    return weather_json

    # Statically defined user functions for fast reference
user_functions: Set[Callable[..., Any]] = {
    fetch_weather,
}

Zobacz plik python w witrynie GitHub , aby zapoznać się z przykładem pełnej serii definicji funkcji. Ten plik jest określany jako user_functions.py w poniższym przykładzie.

Tworzenie klienta

W poniższym przykładzie utworzymy klienta i zdefiniujmy element toolset , który będzie używany do przetwarzania funkcji zdefiniowanych w programie user_functions.

toolset: W przypadku korzystania z parametru zestawu narzędzi udostępniasz nie tylko definicje funkcji i opisy, ale także ich implementacje. Zestaw SDK wykona te funkcje w ramach create_and_run_process lub przesyłania strumieniowego. Te funkcje będą wywoływane na podstawie ich definicji.

import os
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from azure.ai.projects.models import FunctionTool, ToolSet
from user_functions import user_functions # user functions which can be found in a user_functions.py file.

# Create an Azure AI Client from a connection string, copied from your Azure AI Foundry project.
# It should be in the format "<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<HubName>"
# Customers need to login to Azure subscription via Azure CLI and set the environment variables

project_client = AIProjectClient.from_connection_string(
    credential=DefaultAzureCredential(),
    conn_str=os.environ["PROJECT_CONNECTION_STRING"],
)

# Initialize agent toolset with user functions
functions = FunctionTool(user_functions)
toolset = ToolSet()
toolset.add(functions)

Przesyłanie danych wyjściowych funkcji


# Create agent with toolset and process a run

agent = project_client.agents.create_agent(
    model="gpt-4o-mini", name="my-agent", instructions="You are a helpful agent", toolset=toolset
)
print(f"Created agent, ID: {agent.id}")

Tworzenie wątku

# Create thread for communication
thread = project_client.agents.create_thread()
print(f"Created thread, ID: {thread.id}")

# Create message to thread
message = project_client.agents.create_message(
    thread_id=thread.id,
    role="user",
    content="Hello, send an email with the datetime and weather information in New York?",
)
print(f"Created message, ID: {message.id}")

Tworzenie przebiegu i sprawdzanie danych wyjściowych

# Create and process agent run in thread with tools
run = project_client.agents.create_and_process_run(thread_id=thread.id, assistant_id=agent.id)
print(f"Run finished with status: {run.status}")

if run.status == "failed":
    print(f"Run failed: {run.last_error}")

# Delete the agent when done
project_client.agents.delete_agent(agent.id)
print("Deleted agent")

# Fetch and log all messages
messages = project_client.agents.list_messages(thread_id=thread.id)
print(f"Messages: {messages}")

Zobacz też