Jak działa wywoływanie funkcji
Poznaj pełny cykl: model wybiera narzędzie, kod je uruchamia, wysyłasz wynik z powrotem, a model kontynuuje działanie.
Jak działa wywoływanie funkcji to bezpłatna lekcja AI Agents na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Agents, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Agents zawiera 4 lekcji w sumie.
Wywoływanie funkcji: podstawowy schemat
Wywoływanie funkcji to protokół, który przekształca LLM w agenta. Model wybiera funkcję z dostarczonej listy, uzupełnia argumenty, a następnie funkcja zostaje uruchomiona.
Ten schemat jest obsługiwany przez OpenAI, Anthropic, Google, Cohere, Mistral i większość głównych modeli OSS po odpowiednim dostrojeniu.
Pięcioetapowa wymiana
- Wysyłają Państwo wiadomości i definicje narzędzi
- Model zwraca odpowiedź końcową ALBO tool_call
- Uruchamiacie Państwo narzędzie z argumentami modelu
- Dodajecie Państwo wynik jako wiadomość narzędzia
- Ponownie wywołujecie Państwo model ze zaktualizowaną historią
Należy powtarzać kroki 2–5, aż model zwróci odpowiedź końcową.
Krok 1: Definiowanie narzędzi
Definicje narzędzi to schematy JSON opisujące poszczególne funkcje:
tools = [{
'type': 'function',
'function': {
'name': 'get_weather',
'description': 'Current weather for a city',
'parameters': {
'type': 'object',
'properties': {
'city': {'type': 'string'}
},
'required': ['city']
}
}
}]
import json
print(json.dumps(tools, indent=2))
Krok 2: Pierwsze wywołanie modelu
Należy wysłać wiadomości i narzędzia:
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': 'Weather in Paris?'}],
tools=tools,
)
message = response.choices[0].message
print(message.tool_calls)
# [ToolCall(name='get_weather', arguments='{"city": "Paris"}')]Krok 3: Uruchamianie narzędzia
Należy przekierować wywołanie do funkcji języka Python:
import json
def get_weather(city: str) -> dict:
# ...call your weather API...
return {'city': city, 'temp_c': 18, 'condition': 'cloudy'}
tool_call = message.tool_calls[0]
args = json.loads(tool_call.function.arguments)
result = get_weather(**args)Krok 4: Dodawanie wyniku narzędzia
Należy dodać wiadomość narzędzia z pasującym identyfikatorem:
messages.append(message) # the assistant message with tool_calls
messages.append({
'role': 'tool',
'tool_call_id': tool_call.id,
'content': json.dumps(result)
})Krok 5: Drugie wywołanie modelu
Należy ponownie wywołać model — teraz ma on wynik narzędzia i tworzy odpowiedź przeznaczoną dla użytkownika:
final = client.chat.completions.create(
model='gpt-4o-mini',
messages=messages,
tools=tools,
)
print(final.choices[0].message.content)
# 'It is currently 18 degrees and cloudy in Paris.'Pętla agenta
Należy umieścić ten mechanizm w pętli while — model może kolejno wywołać kilka narzędzi:
while True:
response = client.chat.completions.create(model=MODEL, messages=messages, tools=tools)
msg = response.choices[0].message
messages.append(msg)
if not msg.tool_calls:
return msg.content # final answer
for tc in msg.tool_calls:
result = dispatch(tc)
messages.append({'role': 'tool', 'tool_call_id': tc.id, 'content': json.dumps(result)})Równoległe wywołania narzędzi
Nowoczesne modele zwracają wiele elementów tool_calls w jednej odpowiedzi. Jeśli jest to bezpieczne, należy uruchamiać je równolegle:
import asyncio
async def run_tools(tool_calls):
coros = [dispatch_async(tc) for tc in tool_calls]
return await asyncio.gather(*coros)finish_reason: tool_calls
Można również sprawdzać finish_reason zamiast wyszukiwać tool_calls:
if response.choices[0].finish_reason == 'tool_calls':
# the model wants to call tools
...
elif response.choices[0].finish_reason == 'stop':
# done
...Typowe błędy
- Brak dodania wiadomości asystenta przed wynikiem narzędzia
- Użycie nieprawidłowego tool_call_id
- Wysyłanie wyników narzędzi jako wiadomości użytkownika
- Pozostawienie pętli bez ograniczenia — należy ustawić MAX_STEPS
Zakończenie pętli
Skąd wiadomo, że agent zakończył działanie?
Podsumowanie
Wywoływanie funkcji to najważniejszy schemat w całym tym kursie. Należy go opanować przed przejściem dalej.
Często zadawane pytania
Czy lekcja „Jak działa wywoływanie funkcji” jest bezpłatna?
Tak — pełny tekst „Jak działa wywoływanie funkcji” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Agents, przejdź na CoddyKit PRO. Kurs AI Agents zawiera 4 lekcji w sumie.
Co nauczysz się w „Jak działa wywoływanie funkcji”?
Poznaj pełny cykl: model wybiera narzędzie, kod je uruchamia, wysyłasz wynik z powrotem, a model kontynuuje działanie. Ćwiczysz AI Agents z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć AI Agents?
Nie wymagamy żadnego doświadczenia. AI Agents w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Jak działa wywoływanie funkcji”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji AI Agents?
Tak. Każda lekcja AI Agents zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Jak działa wywoływanie funkcji
- Definiowanie schematów narzędzi (JSON Schema)
- Wybór narzędzi w czasie działania
- Zwracanie wyników do modelu