การเรียกฟังก์ชันช่วยให้คุณได้รับเอาต์พุตของ Structured Data ได้ง่ายขึ้น โมเดล Generative จากนั้นคุณสามารถใช้เอาต์พุตเหล่านี้เพื่อเรียกใช้ API อื่นๆ และแสดงผล ข้อมูลการตอบสนองที่เกี่ยวข้องกับโมเดล กล่าวคือ การเรียกใช้ฟังก์ชันจะช่วยคุณเชื่อมต่อโมเดล Generative กับระบบภายนอกเพื่อให้เนื้อหาที่สร้างขึ้นมีข้อมูลล่าสุดและถูกต้อง
คุณสามารถจัดเตรียมคำอธิบายฟังก์ชันต่างๆ ให้กับโมเดล Gemini ได้ ฟังก์ชันเหล่านี้คือฟังก์ชันที่คุณเขียนในภาษาของแอป (ไม่ใช่ฟังก์ชัน Google Cloud) โมเดลอาจขอให้คุณเรียกใช้ฟังก์ชันและส่งผลลัพธ์กลับเพื่อช่วยโมเดลจัดการการค้นหาของคุณ
หากยังไม่ได้ดู โปรดไปที่ ข้อมูลเบื้องต้นเกี่ยวกับการเรียกใช้ฟังก์ชันเพื่อเรียนรู้ อีกมากมาย คุณยังสามารถ ลองใช้ฟีเจอร์นี้ใน Google Colab หรือดูโค้ดตัวอย่างใน ที่เก็บ Gemini API Cookbook
ตัวอย่าง API สำหรับการควบคุมแสง
ลองนึกภาพว่าคุณมีระบบควบคุมแสงพื้นฐานที่มีการเขียนโปรแกรมแอปพลิเคชัน อินเทอร์เฟซ (API) และคุณต้องการให้ผู้ใช้ควบคุมแสงไฟผ่าน คำขอแชท คุณสามารถใช้ฟีเจอร์การเรียกฟังก์ชันเพื่อตีความคําขอเปลี่ยนแปลงแสงจากผู้ใช้และแปลเป็นคําเรียก API เพื่อตั้งค่าแสงได้ ระบบควบคุมแสงสมมตินี้ช่วยให้คุณควบคุมความสว่างของแสงและอุณหภูมิสีของแสงได้ ซึ่งกำหนดเป็น 2 พารามิเตอร์แยกกัน ดังนี้
พารามิเตอร์ | ประเภท | ต้องระบุ | คำอธิบาย |
---|---|---|---|
brightness |
ตัวเลข | ใช่ | ระดับแสงตั้งแต่ 0 ถึง 100 0 คือปิดและ 100 คือความสว่างเต็มที่ |
colorTemperature |
สตริง | ใช่ | อุณหภูมิสีของโคมไฟอาจเป็น daylight , cool หรือ warm |
เพื่อความง่าย ระบบการจัดแสงในจินตนาการนี้จึงมีไฟเพียงดวงเดียว ดังนั้นผู้ใช้ โดยไม่ต้องระบุห้องหรือสถานที่ ต่อไปนี้คือตัวอย่างคําขอ JSON ที่คุณสามารถส่งไปยัง API การควบคุมแสงเพื่อเปลี่ยนระดับแสงเป็น 50% โดยใช้อุณหภูมิสีของแสงแดด
{
"brightness": "50",
"colorTemperature": "daylight"
}
บทแนะนำนี้จะแสดงวิธีตั้งค่าการเรียกฟังก์ชันสําหรับ Gemini API เพื่อตีความคําขอแสงของผู้ใช้และจับคู่กับการตั้งค่า API เพื่อควบคุมค่าความสว่างและอุณหภูมิสีของแสง
ก่อนเริ่มต้น: ตั้งค่าโปรเจ็กต์และคีย์ API
คุณต้องตั้งค่าโปรเจ็กต์และกำหนดค่าคีย์ API ก่อนเรียกใช้ Gemini API
กำหนดฟังก์ชัน API
สร้างฟังก์ชันที่ส่งคําขอ API ฟังก์ชันนี้ควรกำหนดภายในโค้ดของแอปพลิเคชัน แต่สามารถเรียกบริการหรือ API ที่อยู่นอกแอปพลิเคชันได้ Gemini API จะไม่เรียกใช้ฟังก์ชันนี้โดยตรง คุณจึง สามารถควบคุมวิธีการและเวลาที่เรียกใช้ฟังก์ชันนี้ผ่านแอปพลิเคชันของคุณ โค้ด สำหรับการสาธิตนี้ บทแนะนำนี้จะให้คำจำกัดความของฟังก์ชัน API จำลองที่ จะแสดงค่าแสงที่ขอ:
def set_light_values(brightness, color_temp):
"""Set the brightness and color temperature of a room light. (mock API).
Args:
brightness: Light level from 0 to 100. Zero is off and 100 is full brightness
color_temp: Color temperature of the light fixture, which can be `daylight`, `cool` or `warm`.
Returns:
A dictionary containing the set brightness and color temperature.
"""
return {
"brightness": brightness,
"colorTemperature": color_temp
}
เมื่อสร้างฟังก์ชันที่จะใช้ในคําเรียกฟังก์ชันโดยโมเดล คุณควรระบุรายละเอียดให้มากที่สุดในคําอธิบายฟังก์ชันและพารามิเตอร์ โมเดล Generative ใช้ข้อมูลนี้เพื่อระบุ เพื่อเลือกและวิธีระบุค่าสำหรับพารามิเตอร์ในฟังก์ชัน การโทร
ประกาศฟังก์ชันระหว่างการเริ่มต้นโมเดล
หากต้องการใช้การเรียกฟังก์ชันกับโมเดล คุณต้องประกาศฟังก์ชันเมื่อเริ่มต้นวัตถุโมเดล คุณประกาศฟังก์ชันโดยการตั้งค่า
พารามิเตอร์ tools
ของโมเดล
model = genai.GenerativeModel(model_name='gemini-1.5-flash',
tools=[set_light_values])
สร้างการเรียกใช้ฟังก์ชัน
เมื่อเริ่มต้นโมเดลด้วยการประกาศฟังก์ชันแล้ว คุณสามารถแจ้งให้โมเดลทราบด้วยฟังก์ชันที่กําหนด คุณควรใช้การเรียกฟังก์ชันโดยใช้
การแสดงข้อความแจ้งการแชท (sendMessage()
) เนื่องจากการเรียกใช้ฟังก์ชันมีประโยชน์โดยทั่วไปจาก
มีบริบทของพรอมต์และคำตอบก่อนหน้า
chat = model.start_chat()
response = chat.send_message('Dim the lights so the room feels cozy and warm.')
response.text
ออบเจ็กต์ ChatSession
ของ Python SDK ช่วยให้จัดการเซสชันการแชทได้ง่ายขึ้นด้วยการจัดการประวัติการสนทนาให้คุณ คุณสามารถใช้ enable_automatic_function_calling
เพื่อให้ SDK เรียกใช้ฟังก์ชันโดยอัตโนมัติ
# Create a chat session that automatically makes suggested function calls
chat = model.start_chat(enable_automatic_function_calling=True)
การเรียกใช้ฟังก์ชันพร้อมกัน
นอกจากการเรียกใช้ฟังก์ชันพื้นฐานที่อธิบายไว้ข้างต้นแล้ว คุณยังเรียกใช้ฟังก์ชันหลายรายการในรอบเดียวได้ด้วย ส่วนนี้จะแสดงตัวอย่างวิธีใช้การเรียกฟังก์ชันพร้อมกัน
กำหนดเครื่องมือ
def power_disco_ball(power: bool) -> bool:
"""Powers the spinning disco ball."""
print(f"Disco ball is {'spinning!' if power else 'stopped.'}")
return True
def start_music(energetic: bool, loud: bool, bpm: int) -> str:
"""Play some music matching the specified parameters.
Args:
energetic: Whether the music is energetic or not.
loud: Whether the music is loud or not.
bpm: The beats per minute of the music.
Returns: The name of the song being played.
"""
print(f"Starting music! {energetic=} {loud=}, {bpm=}")
return "Never gonna give you up."
def dim_lights(brightness: float) -> bool:
"""Dim the lights.
Args:
brightness: The brightness of the lights, 0.0 is off, 1.0 is full.
"""
print(f"Lights are now set to {brightness:.0%}")
return True
ตอนนี้ให้เรียกใช้โมเดลพร้อมคําสั่งที่ใช้เครื่องมือที่ระบุทั้งหมดได้
# Set the model up with tools.
house_fns = [power_disco_ball, start_music, dim_lights]
model = genai.GenerativeModel(model_name="gemini-1.5-flash", tools=house_fns)
# Call the API.
chat = model.start_chat()
response = chat.send_message("Turn this place into a party!")
# Print out each of the function calls requested from this single call.
for part in response.parts:
if fn := part.function_call:
args = ", ".join(f"{key}={val}" for key, val in fn.args.items())
print(f"{fn.name}({args})")
power_disco_ball(power=True) start_music(energetic=True, loud=True, bpm=120.0) dim_lights(brightness=0.3)
ผลลัพธ์ที่พิมพ์แต่ละรายการจะสะท้อนการเรียกใช้ฟังก์ชันเดียวที่โมเดลได้ร้องขอ หากต้องการส่งผลลัพธ์กลับ ให้ใส่คำตอบตามลำดับเดียวกับที่ขอ
# Simulate the responses from the specified tools.
responses = {
"power_disco_ball": True,
"start_music": "Never gonna give you up.",
"dim_lights": True,
}
# Build the response parts.
response_parts = [
genai.protos.Part(function_response=genai.protos.FunctionResponse(name=fn, response={"result": val}))
for fn, val in responses.items()
]
response = chat.send_message(response_parts)
print(response.text)
Let's get this party started! I've turned on the disco ball, started playing some upbeat music, and dimmed the lights. 🎶✨ Get ready to dance! 🕺💃
การแมปประเภทข้อมูลการเรียกใช้ฟังก์ชัน
การสกัดสคีมาอัตโนมัติจากฟังก์ชัน Python อาจไม่ทำงานในบางกรณี ตัวอย่างเช่น แต่จะไม่จัดการกับกรณีต่างๆ ที่คุณอธิบายช่องของออบเจ็กต์พจนานุกรมที่ซ้อนกัน แต่ API รองรับกรณีนี้ API สามารถอธิบายประเภทต่อไปนี้
AllowedType = (int | float | bool | str | list['AllowedType'] | dict[str, AllowedType])
คลังไลบรารีไคลเอ็นต์ google.ai.generativelanguage ให้สิทธิ์เข้าถึงประเภทระดับต่ำซึ่งช่วยให้คุณควบคุมได้อย่างเต็มที่
อันดับแรกให้ดูในแอตทริบิวต์ _tools
ของโมเดล คุณจะเห็นว่าโมเดลอธิบายฟังก์ชันที่คุณส่งไปยังโมเดลอย่างไร
def multiply(a:float, b:float):
"""returns a * b."""
return a*b
model = genai.GenerativeModel(model_name='gemini-1.5-flash',
tools=[multiply])
model._tools.to_proto()
[function_declarations { name: "multiply" description: "returns a * b." parameters { type_: OBJECT properties { key: "b" value { type_: NUMBER } } properties { key: "a" value { type_: NUMBER } } required: "a" required: "b" } }]
การดำเนินการนี้จะแสดงรายการออบเจ็กต์ genai.protos.Tool
ที่จะส่งไปยัง
API หากไม่คุ้นเคยรูปแบบที่พิมพ์ นั่นเป็นเพราะรูปแบบเหล่านี้คือ Google
Protobuf genai.protos.Tool
แต่ละรายการ (ในกรณีนี้ 1 รายการ) มีรายการของ
genai.protos.FunctionDeclarations
ซึ่งอธิบายฟังก์ชันและ
อาร์กิวเมนต์
นี่คือการประกาศฟังก์ชันคูณเดียวกันที่เขียนโดยใช้คลาส genai.protos
โปรดทราบว่าคลาสเหล่านี้อธิบายฟังก์ชันของ API เท่านั้น โดยไม่มีการใช้งาน การใช้วิธีนี้จึงไม่ได้ผล
ด้วยการเรียกฟังก์ชันอัตโนมัติ แต่ฟังก์ชันต่างๆ ไม่จำเป็นต้องใช้
การใช้งานของคุณ
calculator = genai.protos.Tool(
function_declarations=[
genai.protos.FunctionDeclaration(
name='multiply',
description="Returns the product of two numbers.",
parameters=genai.protos.Schema(
type=genai.protos.Type.OBJECT,
properties={
'a':genai.protos.Schema(type=genai.protos.Type.NUMBER),
'b':genai.protos.Schema(type=genai.protos.Type.NUMBER)
},
required=['a','b']
)
)
])
คุณสามารถอธิบายออบเจ็กต์นี้เป็นออบเจ็กต์ที่เข้ากันได้กับ JSON ดังนี้
calculator = {'function_declarations': [
{'name': 'multiply',
'description': 'Returns the product of two numbers.',
'parameters': {'type_': 'OBJECT',
'properties': {
'a': {'type_': 'NUMBER'},
'b': {'type_': 'NUMBER'} },
'required': ['a', 'b']} }]}
genai.protos.Tool(calculator)
function_declarations { name: "multiply" description: "Returns the product of two numbers." parameters { type_: OBJECT properties { key: "b" value { type_: NUMBER } } properties { key: "a" value { type_: NUMBER } } required: "a" required: "b" } }
ไม่ว่าคุณจะใช้วิธีใด คุณก็ส่งผ่านการรับรอง genai.protos.Tool
หรือรายการเครื่องมือเพื่อ
model = genai.GenerativeModel('gemini-1.5-flash', tools=calculator)
chat = model.start_chat()
response = chat.send_message(
f"What's 234551 X 325552 ?",
)
เช่นเดียวกับก่อนที่โมเดลจะส่งคืน genai.protos.FunctionCall
ที่เรียกใช้ฟังก์ชัน multiply
ของเครื่องคิดเลข ดังนี้
response.candidates
[index: 0 content { parts { function_call { name: "multiply" args { fields { key: "b" value { number_value: 325552 } } fields { key: "a" value { number_value: 234551 } } } } } role: "model" } finish_reason: STOP ]
เรียกใช้ฟังก์ชันด้วยตนเอง
fc = response.candidates[0].content.parts[0].function_call
assert fc.name == 'multiply'
result = fc.args['a'] * fc.args['b']
result
76358547152.0
ส่งผลลัพธ์ไปยังโมเดลเพื่อสนทนาต่อ
response = chat.send_message(
genai.protos.Content(
parts=[genai.protos.Part(
function_response = genai.protos.FunctionResponse(
name='multiply',
response={'result': result}))]))