LLM大语言模型（三）：使用ChatGLM3-6B的函数调用功能前先学会Python的装饰器

本文主要是介绍LLM大语言模型（三）：使用ChatGLM3-6B的函数调用功能前先学会Python的装饰器，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！

目录

ChatGLM3-6B的函数调用模式示例

本地启动ChatGLM3-6B工具模式

如何在ChatGLM3-6B里新增一个自定义函数呢？

get_weather基于Python的装饰器实现

函数注解@register_tool

现在我们来自定义一个kuakuawo()函数

---

ChatGLM3-6B的函数调用模式示例

ChatGLM3-6B目前有三种使用模式：

1. 对话模式
2. 工具模式（也就是本文要介绍的函数调用）
3. 代码解释器模式

函数调用模式示例：

函数调用模式介绍：

• 首先进入Tool工具模式
• 询问“北京今天的天气”
• 大模型自动识别出，要调用get_weather工具（函数），且参数是“北京”
• 大模型接着调用get_weather，入参=北京，获取到函数执行的结果
• <|Observation|>展示的是函数的执行结果
• 紧接着大模型根据上述内容，继续生成回答“根据APIxxxxxxxxxxxx”

本地启动ChatGLM3-6B工具模式

进入conda对应的环境

conda activate chatglm

进入composite_demo目录

cd composite_demo

修改为使用本地模型，参考LLM大语言模型（一）：ChatGLM3-6B本地部署-CSDN博客

# 修改client.py
MODEL_PATH = os.environ.get('MODEL_PATH', '====你的本地模型的绝对路径====')

启动模型

# 在composite_demo目录下
streamlit run main.py

然后在页面选择Tool模式即可。

如何在ChatGLM3-6B里新增一个自定义函数呢？

首先我们看下get_weather函数是如何实现的。

在composite_demo目录下有个tool_registry.py文件，里面包含两个已经定义好的函数：

• random_number_generator

• get_weather

其中get_weather就是上文对话中用到的函数。

get_weather基于Python的装饰器实现

@register_tool
def get_weather(city_name: Annotated[str, 'The name of the city to be queried', True],
) -> str:"""Get the current weather for `city_name`"""if not isinstance(city_name, str):raise TypeError("City name must be a string")key_selection = {"current_condition": ["temp_C", "FeelsLikeC", "humidity", "weatherDesc",  "observation_time"],}import requeststry:resp = requests.get(f"https://wttr.in/{city_name}?format=j1")resp.raise_for_status()resp = resp.json()ret = {k: {_v: resp[k][0][_v] for _v in v} for k, v in key_selection.items()}except:import tracebackret = "Error encountered while fetching weather data!\n" + traceback.format_exc() return str(ret)

get_weather功能很简洁，最终是从

https://wttr.in/{city_name}?format=j1

获取天气信息（https://wttr.in/%E5%8C%97%E4%BA%AC?format=j1）

函数注解@register_tool

register_tool的功能是将自定义的函数，转化为大模型需要的格式。 

def register_tool(func: callable):tool_name = func.__name__tool_description = inspect.getdoc(func).strip()python_params = inspect.signature(func).parameterstool_params = []# 解析param的Annotationfor name, param in python_params.items():annotation = param.annotationif annotation is inspect.Parameter.empty:raise TypeError(f"Parameter `{name}` missing type annotation")if get_origin(annotation) != Annotated:raise TypeError(f"Annotation type for `{name}` must be typing.Annotated")typ, (description, required) = annotation.__origin__, annotation.__metadata__typ: str = str(typ) if isinstance(typ, GenericAlias) else typ.__name__if not isinstance(description, str):raise TypeError(f"Description for `{name}` must be a string")if not isinstance(required, bool):raise TypeError(f"Required for `{name}` must be a bool")tool_params.append({"name": name,"description": description,"type": typ,"required": required})tool_def = {"name": tool_name,"description": tool_description,"params": tool_params}print("[registered tool] " + pformat(tool_def))_TOOL_HOOKS[tool_name] = func_TOOL_DESCRIPTIONS[tool_name] = tool_defreturn func

register_tool函数实现了装饰器，它将自定义的函数转换为tool_def dict，其中自动生成了name，description，params等信息

{'name': 'get_weather', 'description': 'Get the current weather for `city_name`', 'params': [{'name': 'city_name', 'description': 'The name of the city to be queried', 'type': 'str', 'required': True}]
}

最终通过get_tools()将自定义的函数都暴露出去。

在上述demo中，其实是demo_tool.py里调用了get_tools()获取到所有的自定义函数。

def get_tools() -> dict:return copy.deepcopy(_TOOL_DESCRIPTIONS)

现在我们来自定义一个kuakuawo()函数

@register_tool
def kuakuawo(name: Annotated[str, 'The name of the user', True], 
) -> str:"""Generates a awesome praise for user"""return f"{name} 你真的太棒了"

看看效果

 参考：

1. LLM大语言模型（一）：ChatGLM3-6B本地部署-CSDN博客
2. LLM大语言模型（二）：Streamlit 无需前端经验也能画web页面-CSDN博客

这篇关于LLM大语言模型（三）：使用ChatGLM3-6B的函数调用功能前先学会Python的装饰器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！

---