OpenAI Cookbook: официальные рецепты · Урок 2

Function calling для поиска знаний

Строим агента с двумя функциями: поиск статей arXiv по эмбеддингам и суммаризация PDF. Агент сам решает какую функцию вызвать по запросу пользователя.

25 мин чтения3 вопроса в квизеГотовый промпт включёнВ работе

Практическое задание

Что сделать после урока

Добавьте третью функцию list_downloaded_papers которая возвращает список уже скачанных статей из CSV-библиотеки. Убедитесь что агент использует её когда пользователь спрашивает «что у нас уже есть».

Готовый промпт

Шаблон под задачу урока

Скопируйте и адаптируйте под свой контекст. Текст в треугольных скобках — то, что нужно заменить.

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_articles",
            "description": "Search arXiv for papers on a topic.",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string", "description": "Search query"}
                },
                "required": ["query"],
            },
        },
    },
]

messages = [
    {"role": "system", "content": "Use functions to answer research questions."},
    {"role": "user", "content": user_question},
]

response = client.chat.completions.create(
    model="gpt-4o-mini", messages=messages, tools=tools
)
# Loop while model wants to call tools
while response.choices[0].finish_reason == "tool_calls":
    call = response.choices[0].message.tool_calls[0]
    result = dispatch(call)  # ваш диспатчер
    messages += [response.choices[0].message,
                 {"role": "tool", "tool_call_id": call.id,
                  "name": call.function.name, "content": str(result)}]
    response = client.chat.completions.create(
        model="gpt-4o-mini", messages=messages, tools=tools
    )

Архитектура агента

В этом примере агент имеет доступ к двум функциям:

get_articles — ищет статьи на arXiv по запросу, скачивает PDF, вычисляет embeddings

read_article_and_summarize — читает PDF из локальной библиотеки и суммаризирует

Определение функций

from openai import OpenAI from scipy import spatial import pandas as pd GPT_MODEL = "gpt-4o-mini" EMBEDDING_MODEL = "text-embedding-ada-002" client = OpenAI() tools = [ { "type": "function", "function": { "name": "get_articles", "description": ( "Use this function to get academic papers from arXiv " "to answer user questions." ), "parameters": { "type": "object", "properties": { "query": { "type": "string", "description": "User query in plain text", } }, "required": ["query"], }, }, }, { "type": "function", "function": { "name": "read_article_and_summarize", "description": "Summarize a paper already in the library.", "parameters": { "type": "object", "properties": { "query": {"type": "string"} }, "required": ["query"], }, }, }, ]

Ранжирование по косинусному сходству

def strings_ranked_by_relatedness( query: str, df: pd.DataFrame, top_n: int = 5, ) -> list[str]: query_embedding = client.embeddings.create( input=query, model=EMBEDDING_MODEL ).data[0].embedding strings_and_scores = [ ( row["filepath"], 1 - spatial.distance.cosine(query_embedding, row["embedding"]), ) for _, row in df.iterrows() ] strings_and_scores.sort(key=lambda x: x[1], reverse=True) return [s for s, _ in strings_and_scores[:top_n]]

Цикл агента

def run_conversation(user_query: str): messages = [ {"role": "system", "content": "Answer using the provided functions."}, {"role": "user", "content": user_query}, ] response = client.chat.completions.create( model=GPT_MODEL, messages=messages, tools=tools ) while response.choices[0].finish_reason == "tool_calls": tool_call = response.choices[0].message.tool_calls[0] name = tool_call.function.name args = json.loads(tool_call.function.arguments) result = get_articles(args["query"]) if name == "get_articles" else read_article_and_summarize(args["query"]) messages.append(response.choices[0].message) messages.append({"role": "tool", "tool_call_id": tool_call.id, "name": name, "content": str(result)}) response = client.chat.completions.create( model=GPT_MODEL, messages=messages, tools=tools ) return response.choices[0].message.content

Сообщить об ошибке

Function calling для поиска знаний

Квиз — 3 вопроса

Архитектура агента

Определение функций

Ранжирование по косинусному сходству

Цикл агента