การทำงานของการเรียกใช้ฟังก์ชัน
ทำความเข้าใจการทำงานครบทั้งรอบ: โมเดลเลือกเครื่องมือ โค้ดของคุณเรียกใช้เครื่องมือนั้น คุณส่งผลลัพธ์กลับไป แล้วโมเดลจึงทำงานต่อ
การทำงานของการเรียกใช้ฟังก์ชัน เป็นบทเรียน AI Agents ฟรีบน CoddyKit นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Agents และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน
การเรียกใช้ฟังก์ชัน: รูปแบบหลัก
การเรียกใช้ฟังก์ชันคือโพรโทคอลที่เปลี่ยน LLM ให้เป็นเอเจนต์ โมเดลจะเลือกฟังก์ชันจากรายการที่คุณจัดเตรียม เติมอาร์กิวเมนต์ให้ครบ แล้วคุณจึงเรียกใช้ฟังก์ชันนั้น
รูปแบบนี้รองรับโดย OpenAI, Anthropic, Google, Cohere, Mistral และโมเดล OSS รายใหญ่ส่วนใหญ่ที่ผ่านการปรับแต่งอย่างเหมาะสม
การโต้ตอบไปกลับห้าขั้นตอน
- คุณส่งข้อความพร้อมคำจำกัดความของเครื่องมือ
- โมเดลส่งคืนคำตอบสุดท้าย OR tool_call
- คุณเรียกใช้เครื่องมือด้วยอาร์กิวเมนต์ของโมเดล
- คุณผนวกผลลัพธ์เป็นข้อความเครื่องมือ
- คุณเรียกโมเดลอีกครั้งพร้อมประวัติที่อัปเดตแล้ว
ทำซ้ำขั้นตอนที่ 2-5 จนกว่าโมเดลจะส่งคืนคำตอบสุดท้าย
ขั้นตอนที่ 1: กำหนดเครื่องมือ
คำจำกัดความของเครื่องมือคือสคีมา JSON ที่อธิบายฟังก์ชันแต่ละรายการ:
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))
ขั้นตอนที่ 2: การเรียกโมเดลครั้งแรก
ส่งข้อความและเครื่องมือ:
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"}')]ขั้นตอนที่ 3: เรียกใช้เครื่องมือ
ส่งต่อไปยังฟังก์ชัน Python ของคุณ:
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)ขั้นตอนที่ 4: ผนวกผลลัพธ์จากเครื่องมือ
เพิ่มข้อความเครื่องมือพร้อม ID ที่ตรงกัน:
messages.append(message) # the assistant message with tool_calls
messages.append({
'role': 'tool',
'tool_call_id': tool_call.id,
'content': json.dumps(result)
})ขั้นตอนที่ 5: การเรียกโมเดลครั้งที่สอง
เรียกโมเดลอีกครั้ง — ตอนนี้โมเดลมีผลลัพธ์จากเครื่องมือแล้ว และจะสร้างคำตอบสำหรับผู้ใช้:
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.'ลูปของเอเจนต์
ห่อรูปแบบนี้ไว้ในลูป while — โมเดลอาจเรียกใช้เครื่องมือหลายรายการต่อเนื่องกัน:
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)})การเรียกใช้เครื่องมือแบบขนาน
โมเดลสมัยใหม่สามารถส่งคืน tool_calls หลายรายการในการตอบกลับครั้งเดียว เรียกใช้แบบขนานเมื่อปลอดภัย:
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
คุณสามารถตรวจสอบ finish_reason แทนการดูที่ tool_calls ได้เช่นกัน:
if response.choices[0].finish_reason == 'tool_calls':
# the model wants to call tools
...
elif response.choices[0].finish_reason == 'stop':
# done
...ข้อผิดพลาดที่พบบ่อย
- ลืมผนวกข้อความของผู้ช่วยก่อนผลลัพธ์จากเครื่องมือ
- ใช้ tool_call_id ไม่ถูกต้อง
- ส่งผลลัพธ์จากเครื่องมือเป็นข้อความผู้ใช้
- ปล่อยให้ลูปทำงานโดยไม่มีขอบเขต — กำหนด MAX_STEPS
การสิ้นสุดลูป
คุณจะทราบได้อย่างไรว่าเอเจนต์ทำงานเสร็จแล้ว
สรุปทบทวน
การเรียกใช้ฟังก์ชันคือรูปแบบที่สำคัญที่สุดในหลักสูตรทั้งหมดนี้ โปรดเชี่ยวชาญรูปแบบนี้ก่อนเรียนต่อ
คำถามที่พบบ่อย
บทเรียน “การทำงานของการเรียกใช้ฟังก์ชัน” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “การทำงานของการเรียกใช้ฟังก์ชัน” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Agents ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “การทำงานของการเรียกใช้ฟังก์ชัน”
ทำความเข้าใจการทำงานครบทั้งรอบ: โมเดลเลือกเครื่องมือ โค้ดของคุณเรียกใช้เครื่องมือนั้น คุณส่งผลลัพธ์กลับไป แล้วโมเดลจึงทำงานต่อ คุณปฏิบัติ AI Agents ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน AI Agents หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน AI Agents บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน
บทเรียน “การทำงานของการเรียกใช้ฟังก์ชัน” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน AI Agents นี้ได้ไหม
ได้ บทเรียน AI Agents ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- การทำงานของการเรียกใช้ฟังก์ชัน
- การกำหนดโครงร่างเครื่องมือ (JSON Schema)
- การเลือกเครื่องมือขณะทำงาน
- การส่งผลลัพธ์กลับไปยังโมเดล