“AI Agent就是大模型通过外部接口构建的手脚健全的智能体**”**
怎么让大模型像真正的人类一样能够独立思考，使用外部工具；这是很多人都在考虑的问题，而这就是AI Agent(AI 代理)，一个类人的智能体。
但怎么实现AI Agent又是一个值得思考的问题，而今天就讲解一下通过调用外部工具实现AI Agent的方式——函数调用(function calling)。
01 — 什么是函数调用，为什么选择函数调用？
大模型作为人工智能最火的技术，从功能上来讲它更像一个“大脑”，它没有“手和脚”，因此它的能力范围很有限。
而且因为大模型无法获取实时信息，所以从这一点来说它和人的差距有点大。
但能不能让它具备人的能力呢？也就是通过外部工具获取实时信息，或者是它能力圈之外的事情。
举个例子，你问大模型今天的天气怎么样，温湿度是多少？这样的问题，即使是人也无法给出准确的回答，但可以通过天气APP获取到这些信息。
因此，只需要让大模型具有访问查询天气情况接口的能力，那么这个问题就可以被解决了，而类似于查询天气的这种接口，统一称为工具(tool)。
但大模型本身又不具备调用网络的能力，那么怎么才能实现这个功能呢？
这时函数调用的作用就体现出来了，所谓的函数就是一个能实现特定功能的代码段，它们有设定的输入参数和返回值，这样就可以使用函数调用各种工具实现大模型无法实现的功能。
之所以选择函数调用，原因就是因为函数调用比较简单，大模型只需要返回几个参数即可实现函数调用。
02 — function call的实现过程
在正常的开发流程中，不论是函数调用还是API调用，都是开发者进行传参，然后获得返回值。
没了解过function call的人可能会认为，函数调用就是大模型调用python等语言的解释器，执行目标代码并获得结果。
事实上，在function call中，大模型并不负责函数的执行，大模型的作用是根据用户的问题，理解用户的需求，然后根据用户需求确定具体的回调函数以及函数所需要的参数。
openAI官方文档明确指出，大模型不会真正执行函数调用，而是由应用开发者根据大模型的返回进行具体的函数调用。
因此，在实现function call的过程中，应用开发者需要预先设定一个工具集，并负责工具集的实现。
# 定义工具集 tools = [ { "type": "function", "function": { "name": "get_current_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"]}, }, "required": ["location"], }, }, } ] # 工具集函数d 实现 def get_current_weather(location, unit="fahrenheit"): """Get the current weather in a given location""" if "tokyo" in location.lower(): return json.dumps({"location": "Tokyo", "temperature": "10", "unit": unit}) elif "san francisco" in location.lower(): return json.dumps({"location": "San Francisco", "temperature": "72", "unit": unit}) elif "paris" in location.lower(): return json.dumps({"location": "Paris", "temperature": "22", "unit": unit}) else: return json.dumps({"location": location, "temperature": "unknown"})用户在调用大模型时，需要把当前工具集传给大模型。
# 在参数tools中传入工具集 response = client.chat.completions.create( model='gpt-4o', messages=messages, tools= tools, tool_choice="auto" )这时，大模型就可以通过理解用户的输入，然后返回所需工具的名称和参数，然后就可以根据名称和参数调用具体的工具，如天气查询接口。
大模型函数调用的流程如下图所示，从下图可以看出，大模型使用工具需要两次输入。
# 大模型返回的需要调用的函数名称和参数 {"role": "assistant", "content": "", "tool_calls": [{"function": {"name": "get_current_weather", "arguments": "{\"properties\": {\"location\": {\"description\": \"北京市\", \"type\": \"string\"}}}"}, "id": "", "type": "function"}]}第一次输入是用户提问，大模型根据提问内容解析出需要调用的函数；第二次是把函数的执行结果传入到模型中；最后，模型根据函数的执行结果返回给用户。
用户向应用程序发出提示词（prompt）
应用程序会传递用户提供的提示词和函数声明（Function Declaration(s)），即对模型所需工具的描述信息
根据函数声明，模型会给出工具选取建议和相关的请求参数。注意，模型仅会输出建议的工具和请求参数，并不会实际调用函数
& 5. 应用程序根据模型响应调用相关 函数
& 7. 将 函数的响应内容再次输入模型，生成人类可读的内容
应用程序将最终响应返回给用户，然后再次回到第 1 步，如此循环往复
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
