Udostępnij za pośrednictwem

Wywoływanie funkcji Asystentów openAI platformy Azure

  • Artykuł

Interfejs API asystentów obsługuje wywoływanie funkcji, co umożliwia opisanie struktury funkcji dla asystenta, a następnie zwrócenie funkcji, które muszą być wywoływane, wraz z ich argumentami.

Uwaga

  • Wyszukiwanie plików może pozyskiwać maksymalnie 10 000 plików na asystenta — 500 razy więcej niż wcześniej. Jest szybkie, obsługuje zapytania równoległe za pośrednictwem wyszukiwania wielowątkowego i oferuje ulepszone ponowne klasyfikowanie praz ponowne zapisywanie zapytań.
    • Magazyn wektorów to nowy obiekt w interfejsie API. Po dodaniu pliku do magazynu wektorów jest on automatycznie analizowany, fragmentowany i osadzany oraz przygotowywany do wyszukiwania. Magazyny wektorów mogą być używane między asystentami i wątkami, upraszczając zarządzanie plikami i rozliczenia.
  • Dodaliśmy obsługę parametru tool_choice , który może służyć do wymuszenia użycia określonego narzędzia (takiego jak wyszukiwanie plików, interpreter kodu lub funkcja) w określonym uruchomieniu.

Obsługa wywoływania funkcji

Obsługiwane modele

Strona modeli zawiera najbardziej aktualne informacje dotyczące regionów/modeli, w których są obsługiwani Asystenci.

Aby użyć wszystkich funkcji wywoływania funkcji, w tym funkcji równoległych, należy użyć modelu, który został wydany po 6 listopada 2023 r.

Wersje interfejsu API

Wersje interfejsu API rozpoczynające się od 2024-02-15-preview.

Przykładowa definicja funkcji

Uwaga

  • Dodaliśmy obsługę parametru tool_choice , który może służyć do wymuszenia użycia określonego narzędzia (na przykład file_search, code_interpreterlub ) functionw konkretnym uruchomieniu.
  • Przebiegi wygasają dziesięć minut po utworzeniu. Przed wygaśnięciem pamiętaj o przesłaniu danych wyjściowych narzędzia.
  • Możesz również wykonywać wywołania funkcji za pomocą usługi Azure Logic Apps
from openai import AzureOpenAI
    
client = AzureOpenAI(
    api_key=os.getenv("AZURE_OPENAI_API_KEY"),  
    api_version="2024-07-01-preview",
    azure_endpoint = os.getenv("AZURE_OPENAI_ENDPOINT")
    )

assistant = client.beta.assistants.create(
  name="Weather Bot",
  instructions="You are a weather bot. Use the provided functions to answer questions.",
  model="gpt-4", #Replace with model deployment name
  tools=[{
      "type": "function",
    "function": {
      "name": "get_weather",
      "description": "Get the weather in location",
      "parameters": {
        "type": "object",
        "properties": {
          "location": {"type": "string", "description": "The city name, for example San Francisco"}
        },
        "required": ["location"]
      }
    }
  }]
)

Odczytywanie funkcji

Po zainicjowaniu uruchomienia za pomocą komunikatu użytkownika, który wyzwala funkcję, uruchomienie wprowadzi stan oczekiwania. Po jego zakończeniu przebieg wprowadzi requires_action stan, który można zweryfikować, pobierając polecenie Uruchom.

{
  "id": "run_abc123",
  "object": "thread.run",
  "assistant_id": "asst_abc123",
  "thread_id": "thread_abc123",
  "status": "requires_action",
  "required_action": {
    "type": "submit_tool_outputs",
    "submit_tool_outputs": {
      "tool_calls": [
        {
          "id": "call_abc123",
          "type": "function",
          "function": {
            "name": "get_weather",
            "arguments": "{\"location\":\"Seattle\"}"
          }
        },
      ]
    }
  },
...

Przesyłanie danych wyjściowych funkcji

Następnie możesz ukończyć uruchamianie, przesyłając dane wyjściowe narzędzia z wywołanych funkcji. tool_call_id Przekaż odwołanie do obiektu, required_action aby dopasować dane wyjściowe do każdego wywołania funkcji.


# Example function
def get_weather():
    return "It's 80 degrees F and slightly cloudy."

# Define the list to store tool outputs
tool_outputs = []
 
# Loop through each tool in the required action section
for tool in run.required_action.submit_tool_outputs.tool_calls:
  # get data from the weather function
  if tool.function.name == "get_weather":
    weather = get_weather()
    tool_outputs.append({
      "tool_call_id": tool.id,
      "output": weather
    })
 
# Submit all tool outputs at once after collecting them in a list
if tool_outputs:
  try:
    run = client.beta.threads.runs.submit_tool_outputs_and_poll(
      thread_id=thread.id,
      run_id=run.id,
      tool_outputs=tool_outputs
    )
    print("Tool outputs submitted successfully.")
  except Exception as e:
    print("Failed to submit tool outputs:", e)
else:
  print("No tool outputs to submit.")
 
if run.status == 'completed':
  print("run status: ", run.status)
  messages = client.beta.threads.messages.list(thread_id=thread.id)
  print(messages.to_json(indent=2))

else:
  print("run status: ", run.status)
  print (run.last_error.message)

Po przesłaniu danych wyjściowych narzędzia uruchomienie przejdzie w queued stan przed kontynuowanym wykonywaniem.

Zobacz też