İşlev çağrısı eğiticisi

Python Node.js Go Dart (Flutter) Android Swift Web REST

İşlev çağrısı, üretken modellerden yapılandırılmış veri çıkışları almanızı kolaylaştırır. Ardından, diğer API'leri çağırmak ve ilgili yanıt verilerini modele döndürmek için bu çıkışları kullanabilirsiniz. Diğer bir deyişle, işlev çağrısı, oluşturulan içeriğin en güncel ve doğru bilgileri içermesi için üretken modelleri harici sistemlere bağlamanıza yardımcı olur.

Gemini modellerine işlev açıklamaları sağlayabilirsiniz. Bunlar, uygulamanızın dilinde yazdığınız işlevlerdir (yani Google Cloud Functions değildir). Model, sorgunuzu işlemeye yardımcı olması için bir işlevi çağırmanızı ve sonucu geri göndermenizi isteyebilir.

Henüz yapmadıysanız daha fazla bilgi edinmek için İşlev çağırmaya giriş başlıklı makaleyi inceleyin.

Aydınlatma kontrolü için örnek API

Uygulama programlama arayüzü (API) olan temel bir aydınlatma kontrol sisteminiz olduğunu ve kullanıcıların basit metin istekleri aracılığıyla ışıkları kontrol etmesine izin vermek istediğinizi varsayalım. Kullanıcılardan gelen ışıklandırma değişikliği isteklerini yorumlamak ve ışıklandırma değerlerini ayarlamak için işlev çağırma özelliğini kullanabilirsiniz. Bu varsayımsal aydınlatma kontrol sistemi, ışığın parlaklığını ve renk sıcaklığını iki ayrı parametre olarak kontrol etmenize olanak tanır:

Basitlik açısından bu hayali aydınlatma sisteminde yalnızca bir ışık vardır. Bu nedenle kullanıcının oda veya konum belirtmesi gerekmez. Gün ışığı renk sıcaklığını kullanarak ışık seviyesini %50'ye değiştirmek için aydınlatma kontrolü API'sine gönderebileceğiniz örnek bir JSON isteği aşağıda verilmiştir:

{
  "brightness": "50",
  "colorTemperature": "daylight"
}

Bu eğitimde, kullanıcıların ışıklandırma isteklerini yorumlamak ve ışığın parlaklığı ile renk sıcaklığı değerlerini kontrol etmek için Gemini API için bir işlev çağrısının nasıl ayarlanacağı gösterilmektedir.

Başlamadan önce: Projenizi ve API anahtarınızı oluşturun

Gemini API'yi çağırmadan önce projenizi oluşturmanız ve API anahtarınızı yapılandırmanız gerekir.

API işlevi tanımlama

API isteği gönderen bir işlev oluşturun. Bu işlev, uygulamanızın kodunda tanımlanmalıdır ancak uygulamanızın dışındaki hizmetleri veya API'leri çağırabilir. Gemini API bu işlevi doğrudan çalmaz. Bu nedenle, uygulama kodunuz aracılığıyla bu işlevin nasıl ve ne zaman çalışacağını kontrol edebilirsiniz. Bu eğitimde, yalnızca istenen aydınlatma değerlerini döndüren bir örnek API işlevi tanımlanmıştır:

async function setLightValues(brightness, colorTemp) {
  // This mock API returns the requested lighting values
  return {
    brightness: brightness,
    colorTemperature: colorTemp
  };
}

İşlev tanımları oluşturma

Üretken modele ileteceğiniz işlev tanımını oluşturun. Model tarafından kullanılacak bir işlev tanımlarken işlev ve parametre açıklamalarına mümkün olduğunca fazla ayrıntı eklemeniz gerekir. Üretken model, hangi işlevin seçileceğini ve işlev çağrısındaki parametreler için değerlerin nasıl sağlanacağını belirlemek üzere bu bilgileri kullanır. Aşağıdaki kodda, aydınlatma kontrol işlevinin nasıl tanımlanacağı gösterilmektedir:

const controlLightFunctionDeclaration = {
  name: "controlLight",
  parameters: {
    type: "OBJECT",
    description: "Set the brightness and color temperature of a room light.",
    properties: {
      brightness: {
        type: "NUMBER",
        description: "Light level from 0 to 100. Zero is off and 100 is full brightness.",
      },
      colorTemperature: {
        type: "STRING",
        description: "Color temperature of the light fixture which can be `daylight`, `cool` or `warm`.",
      },
    },
    required: ["brightness", "colorTemperature"],
  },
};

// Executable function code. Put it in a map keyed by the function name
// so that you can call it once you get the name string from the model.
const functions = {
  controlLight: ({ brightness, colorTemperature }) => {
    return setLightValues( brightness, colorTemperature)
  }
};

Modeli başlatırken işlevleri tanımlama

Bir modelde işlev çağrısını kullanmak istediğinizde model nesnesini başlatırken işlev beyanlarınızı sağlamanız gerekir. Modelin tools parametresini ayarlayarak işlevleri bildirirsiniz:

const { GoogleGenerativeAI } = require("@google/generative-ai");

// Access your API key as an environment variable (see "Set up your API key" above)
const genAI = new GoogleGenerativeAI(process.env.API_KEY);

// ...

const generativeModel = genAI.getGenerativeModel({
  // Use a model that supports function calling, like a Gemini 1.5 model
  model: "gemini-1.5-flash",

  // Specify the function declaration.
  tools: {
    functionDeclarations: [controlLightFunctionDeclaration],
  },
});

İşlev çağrısı oluşturma

Modeli işlev beyanlarınızla başlattıktan sonra, modele tanımlanmış işlevle istem gönderebilirsiniz. İşlev çağrısı genellikle önceki istemlerin ve yanıtların bağlamından yararlandığından, sohbet istemi (sendMessage()) kullanarak işlev çağrısı kullanmalısınız.

const chat = generativeModel.startChat();
const prompt = "Dim the lights so the room feels cozy and warm.";

// Send the message to the model.
const result = await chat.sendMessage(prompt);

// For simplicity, this uses the first function call found.
const call = result.response.functionCalls()[0];

if (call) {
  // Call the executable function named in the function call
  // with the arguments specified in the function call and
  // let it call the hypothetical API.
  const apiResponse = await functions[call.name](call.args);

  // Send the API response back to the model so it can generate
  // a text response that can be displayed to the user.
  const result2 = await chat.sendMessage([{functionResponse: {
    name: 'controlLight',
    response: apiResponse
  }}]);

  // Log the text response.
  console.log(result2.response.text());
}