Вызов функций в нейросетях: как LLM работают с внешними API

Представьте, что ваша нейросеть не просто генерирует текст, а может самостоятельно нажать кнопку в интерфейсе, запросить данные из базы или отправить запрос к внешнему сервису. Именно это и делает технология вызова функций (Function Calling) - она превращает языковые модели в активных исполнителей, которые умеют работать с внешними инструментами. По сути, это мост между естественным языком и программным кодом.

Как работает вызов функций

Когда вы спрашиваете у LLM: "Какая погода в Москве?", модель сама по себе не знает ответа - её обучали на текстах, а не на реальных данных. Но если вы "познакомите" её с функцией get_current_weather, она сможет определить, что для ответа нужно вызвать именно её, и подготовит структурированный запрос в формате JSON. Дальше ваша программа получает этот JSON, выполняет реальный вызов к API погоды и возвращает результат обратно модели для формирования итогового ответа пользователю.

Это работает не только с погодой. Вы можете подключить функции для работы с CRM, базами данных, платежными системами или внутренними корпоративными сервисами. Особенно актуально для российских разработчиков, которые интегрируют нейросети в бизнес-процессы: например, YandexGPT или GigaChat от Сбера можно научить запрашивать курсы валют, проверять наличие товара на складе или создавать заявки в 1С.

Практический пример: запрос погоды через GPT-4

Давайте разберем конкретный пример с использованием OpenAI API. Пользователь задает вопрос:

Промпт:

What is the weather like in London?

Мы хотим, чтобы модель поняла, что для ответа нужны данные о погоде. Для этого мы описываем доступную ей функцию в специальном формате:

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"],
            },
        },   
    }
]

Ключевые элементы здесь:

name: название функции, которое модель будет использовать.
description: описание на естественном языке - по нему модель решает, подходит ли функция для запроса.
parameters: схема аргументов в формате JSON Schema.

Когда мы отправляем запрос пользователя вместе с описанием инструментов, модель не выполняет функцию, а возвращает готовый JSON с заполненными аргументами.

Ответ модели:

ChatCompletionMessage(
    content=None,
    role='assistant',
    tool_calls=[ChatCompletionMessageToolCall(
        function=Function(
            arguments='{"location":"London","unit":"celsius"}',
            name='get_current_weather'
        )
    )]
)

Видите? Модель корректно определила, что нужна функция get_current_weather, и извлекла из запроса параметры: location = "London", unit = "celsius". Теперь ваша программа может взять эти аргументы, вызвать реальный метеорологический API (например, OpenWeatherMap) и передать полученные данные обратно модели для формирования финального ответа.

Готовые примеры для экспериментов

Чтобы быстрее разобраться с технологией, изучите готовый ноутбук с примерами:

Промпт:

Function Calling with OpenAI APIs
https://github.com/dair-ai/Prompt-Engineering-Guide/blob/main/notebooks/pe-function-calling.ipynb

Там вы найдете рабочий код, который можно адаптировать под свои задачи. Для российских разработчиков аналогичный подход применим и к локальным моделям или тем, что доступны через российские облака - принцип описания функций и обработки ответов остается тем же.

Где это использовать: реальные кейсы

Вызов функций открывает множество практических возможностей:

Умные чат-боты и агенты. Вместо того чтобы просто болтать, бот может проверять статус заказа, бронировать встречи или искать информацию в корпоративной базе знаний. Например, сотрудник спрашивает: "Сколько осталось ноутбуков модели X на центральном складе?" - модель вызывает функцию check_stock, получает актуальные данные из 1С и формирует ответ.

Преобразование текста в структурированные данные. Нейросеть может анализировать новостную статью и извлекать из неё имена компаний, суммы сделок, даты - всё в виде готового JSON для загрузки в базу данных. Это автоматизирует рутинный сбор информации.

Решение сложных задач. Если задача требует вычислений, которые модель не может выполнить сама (например, построение графика или статистический анализ), она вызывает специализированную функцию, передает ей параметры и интерпретирует результат.

Интеграция с любыми API. Фактически вы можете "научить" LLM работать с любым внешним сервисом: от Telegram до банковских систем. Модель выступает переводчиком с естественного языка на язык API-запросов.

Интеллектуальный поиск. Агент получает вопрос, определяет, в какой базе знаний или документе искать ответ, вызывает функцию поиска, анализирует результаты и выдает точный ответ со ссылками на источники.

Что почитать для углубления

Официальная документация OpenAI по вызову функций: OpenAI's Function Calling
Практические рецепты: How to call functions with chat models
Использование структурированных данных: Pushing ChatGPT's Structured Data Support To Its Limits
Решение математических задач: Math Problem Solving with Function Calling

Технология вызова функций - это следующий шаг в эволюции LLM, превращающий их из генераторов текста в полноценных цифровых помощников, способных действовать в реальном мире. Начните с простого примера - подключения к погодному сервису, - а затем масштабируйте подход до сложных бизнес-процессов.