function call学习之2

2024-08-23 22:04
文章标签 学习 call function

本文主要是介绍function call学习之2,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

当然可以。我们将新增一个名为 is_legal_question 的函数来判断用户的问题是否与法律相关。如果问题是关于法律的,我们将调用 get_legal_answer 函数来获取答案。下面是完整的代码示例:
示例代码
import openai
import json

# 设置OpenAI API密钥
openai.api_key = "your-api-key"

def is_legal_question(question: str) -> bool:
    # 这里只是一个简单的示例,实际应用中应该使用更复杂的方法来判断
    keywords = ["law", "legal", "regulation", "rights", "court", "litigation"]
    return any(keyword in question.lower() for keyword in keywords)

def get_weather(city: str) -> dict:
    # 假设这是一个真实的天气API调用
    return {"city": city, "temperature": "20°C", "forecast": "sunny"}

def get_legal_answer(question: str) -> dict:
    # 这里只是一个示例,实际应用中应该调用真实的法律咨询API
    return {"question": question, "answer": "This is a sample legal answer."}

# 发送请求并处理响应
def process_request():
    # 用户输入
    user_input = input("Enter your query: ")

    # 判断是否询问天气
    if "weather" in user_input.lower():
        # 调用 get_weather 函数
        city = user_input.split(" ")[-1]  # 假设城市名是查询的最后一部分
        weather_info = get_weather(city)
        print(f"Weather Info: {weather_info['forecast']} in {weather_info['city']}, temperature is {weather_info['temperature']}.")

    # 判断是否为法律问题
    elif is_legal_question(user_input):
        # 调用 get_legal_answer 函数
        legal_answer = get_legal_answer(user_input)
        print(f"Legal Answer: {legal_answer['answer']}")

    else:
        # 构建请求数据
        request_data = {
            "model": "gpt-4",
            "messages": [
                {"role": "system", "content": "You are a helpful assistant that can call external functions. If the user asks about the weather, you should use the 'get_weather' function to retrieve the information. If the user asks a legal question, you should use the 'get_legal_answer' function to retrieve the information."},
                {"role": "user", "content": user_input}
            ],
            "functions": [
                {
                    "name": "get_weather",
                    "description": "Get the weather in a specific city.",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "city": {
                                "type": "string",
                                "description": "The city name"
                            }
                        },
                        "required": ["city"]
                    }
                },
                {
                    "name": "get_legal_answer",
                    "description": "Get an answer to a legal question.",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "question": {
                                "type": "string",
                                "description": "The legal question"
                            }
                        },
                        "required": ["question"]
                    }
                }
            ],
            "function_call": "auto"
        }

        # 发送请求
        response = openai.ChatCompletion.create(**request_data)

        # 获取函数调用的结果
        function_call = response.choices[0].message.function_call
        function_name = function_call.name
        function_args = json.loads(function_call.arguments)

        # 根据函数名称调用相应的函数
        if function_name == "get_weather":
            result = get_weather(function_args.get("city"))
        elif function_name == "get_legal_answer":
            result = get_legal_answer(function_args.get("question"))

        # 再次发送请求,这次是将函数调用的结果发送回去
        second_response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=[
                *request_data["messages"],
                {"role": "assistant", "content": None, "function_call": {"name": function_name, "arguments": json.dumps(function_args)}},
                {"role": "function", "name": function_name, "content": json.dumps(result)}
            ]
        )

        # 输出最终的回复
        print(second_response.choices[0].message.content)

# 主函数
def main():
    while True:
        process_request()
        if input("Do you want to continue? (y/n): ").lower() != "y":
            break

if __name__ == "__main__":
    main()

说明:
1. 新增的函数:
•  is_legal_question: 用于判断用户的问题是否与法律相关。
•  get_legal_answer: 用于获取法律问题的答案。这里只是一个示例,实际应用中应该调用真实的法律咨询API。
2. 主流程:
•  用户输入问题。
•  程序先检查问题是否关于天气,如果是,则直接调用 get_weather 函数。
•  如果问题可能是关于法律的,程序调用 is_legal_question 函数进行判断。如果是法律问题,则调用 get_legal_answer 函数。
•  如果以上都不是,则构建请求数据并发送给GPT-4 API。
3. 请求数据:
•  包含了系统消息、用户消息、可调用的函数定义以及函数调用设置。
4. 处理响应:
•  根据API响应中的函数调用结果,调用相应的函数并获取结果。
•  再次发送请求,这次是将函数调用的结果发送回去。
•  输出最终的回复。
注意事项:
•  这个示例假设用户总是按照特定格式输入查询。实际应用中,你可能需要更复杂的逻辑来解析用户输入。
•  is_legal_question 函数使用了一个简单的关键词匹配方法来判断是否为法律问题。在实际应用中,你可能需要使用更复杂的自然语言处理技术来提高判断的准确性。
希望这个示例对你有所帮助!如果有任何疑问或需要进一步的帮助,请随时提问。

这篇关于function call学习之2的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1100616

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

Node.js学习记录(二)

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件