以下是关于“Function Calling in AI”的相关内容：
函数调用为 AI 系统带来了诸多重要优势，包括大大简化用户体验，使用户无需在模型和应用程序间繁琐地复制粘贴信息，过程更流畅直观；显著减少错误发生的可能性，降低输入不正确信息的风险，提高准确性；为更高级的自动化开辟道路，能够处理如酒店预订或制定旅行计划等复杂操作，用户通过简单的语音命令就能完成一系列复杂任务，重新定义了人与技术的互动方式。
在 ChatGPT 中，为让其返回符合要求的 JSON 格式，prompt 的定制尤为重要和复杂。OpenAI 于当地时间 6 月 13 日发布函数调用及其他 API 更新，开发人员可向 gpt-4-0613 和 gpt-3.5-turbo-0613 描述函数，让模型智能输出包含调用函数所需参数的 JSON 对象，这是将 GPT 能力与外部工具和 API 连接的新方法。结合 GPT 与函数调用，本地控制返回 JSON 格式，prompt 定制更简单，AI 输出更可控，可根据实际业务需求选择函数查询或 SQL 查询。
在 AI 智能体方面，工具使用或函数调用通常被视为从 RAG 到主动行为的第一个半步，为现代人工智能栈增加新层。工具本质是预先编写的代码组件，执行特定操作，如网页浏览、代码解释和授权认证等。系统向 LLM 呈现可用工具，LLM 选择工具、构建必要的结构化 JSON 输入并触发 API 执行以产生最终操作。Omni 的“计算 AI”功能体现了这种方法，利用 LLM 直接输出适当的 Excel 函数到电子表格中执行计算并自动生成复杂查询供用户使用。但工具使用仅凭自身不能视为“主动性”，逻辑控制流程仍由应用程序预先定义。
[title]谷歌Gemini多模态提示词培训课——Part3[heading1]二、Function Calling[heading2]2.1第一个示例——使用自定义函数辅助处理金融信息函数调用为我们的AI系统带来了几个至关重要的优势，显著提升了用户体验和系统效率。首先，它大大简化了用户体验。用户不再需要在模型和应用程序之间繁琐地复制粘贴信息，整个过程变得更加流畅和直观。其次，这种方法显著减少了错误发生的可能性。通过最小化用户手动输入的需求，我们降低了输入不正确信息的风险，提高了整体的准确性。最后，也许是最令人兴奋的，函数调用为更高级的自动化开辟了道路。它使我们能够处理更复杂的操作，如酒店预订或制定旅行计划，这些都可以直接由用户对Gemini模型的简单请求触发。这种级别的集成和自动化不仅提高了效率，还为创新的AI应用打开了无限可能：用户只需一个简单的语音命令就能完成一系列复杂的任务，从查询实时数据到执行多步骤的操作。这就是函数调用为我们的AI系统带来的革命性变化，它正在重新定义我们与技术互动的方式。以上就是关于多模态提示词培训课程的所有内容了，希望这个课程能对你产生帮助。这样也就不枉我花费时间重新编排、翻译了。谢谢。
可以发现为了让ChatGPT返回符合要求的JSON格式，prompt的定制就尤为重要和复杂。好消息是，在当地时间6月13日，OpenAI发布函数调用及其他API更新。现在开发人员可以向gpt-4-0613和gpt-3.5-turbo-0613描述函数，并让模型智能地选择输出一个包含调用这些函数所需参数的JSON对象。这是一种更可靠地将GPT的能力与外部工具和API连接起来的新方法。传送门：[Function calling and other API updates](https://openai.com/blog/function-calling-and-other-api-updates)官网有很详细的例子，这里就不再描述代码了。我用本文案例总结大致流程：有个好处是不需要让ChatGPT生成SQL了，减少SQL注入的风险。本地写一个函数执行this.app.mysql.select(table,condition)，根据GPT返回的函数名、参数（字段和where）来查询数据，更为安全。但这个方法又有局限性，事先定义函数查询不如SQL查询来的灵活，所以这里也可以让函数改为SQL查询this.app.mysql.query(sql)，GPT的函数调用改为：getSqlQuery(sql:string)，函数名getSqlQuery，参数：sql，更为灵活。总结：让GPT与函数调用结合，本地控制返回JSON格式，prompt的定制更为简单，AI的输出更为可控。根据实际业务需求采用函数查询或SQL查询，值得一试！[heading2]SQL分析示例[content]注：以下SQL分析的数据均是在数据库中伪造的数据，仅供测试。分析每种图表的使用情况分析图表类型是柱状图的创建时间和数量
工具使用或函数调用通常被视为从RAG到主动行为的第一个半步,为现代人工智能栈增加了一个新的层。这些工具，本质上是预先编写的代码组件，执行特定的操作。流行的原语如网页浏览([Browserbase](https://www.browserbase.com/)、[Tiny Fish](https://www.tinyfish.io/))、代码解释([E2B](https://e2b.dev/))和授权+认证([Anon](https://www.anon.com/))已经出现。它们使LLMs能够导航网络、与外部软件(如CRM、ERP)交互并运行自定义代码。该系统向LLM呈现可用的工具,后者然后选择一个工具,构建必要的结构化JSON输入,并触发API执行以产生最终操作。Omni的[计算AI](https://omni.co/blog/introducing-calculations-ai)功能体现了这种方法。它利用LLM直接输出适当的Excel函数到电子表格中,然后执行计算并自动生成复杂查询供用户使用。就此而言,工具的使用是强大的,但仅凭自身并不能被视为"主动性"。逻辑控制流程仍然由应用程序预先定义。我们将在即将到来的设计中探索的真正智能体人,使LLMs能够动态地编写全部或部分自己的逻辑。