在 AI 应用开发领域，Tool Calling（也称为 Function Calling）是一项革命性的功能。它让 AI 模型能够主动调用预定义的函数，极大地扩展了 AI 助手的能力边界。本文将带您深入了解 Tool Calling，并通过实例讲解如何使用 Ruby 实现这一强大功能。
Tool Calling 是 OpenAI 在 2023 年 6 月推出的重要特性（官方公告）。这项技术让 AI 模型能够：
- 智能判断：自主识别何时需要调用特定工具或函数
- 结构化输出：生成符合函数参数要求的规范数据
- 上下文理解：将函数返回的结果融入对话上下文
- 多工具协同：根据需要调用多个不同的工具
这项技术为 AI 应用带来了诸多可能：
- 查询实时数据（如天气、股票价格）
- 执行复杂计算
- 控制智能家居设备
- 访问外部 API 和数据库
- 处理结构化数据转换
深入实战：用 Ruby 实现智能天气助手
让我们通过一个实际的天气查询助手来掌握 Tool Calling 的实现。
1. 环境准备
首先，创建一个新的 Ruby 项目并安装必要的 gem：
1
2
3
| mkdir weather-assistant
cd weather-assistant
bundle init
|
在 Gemfile 中添加依赖：
1
2
3
4
| source 'https://rubygems.org'
gem 'ruby-openai'
gem 'dotenv' # 用于管理环境变量
|
安装依赖：
2. 配置 OpenAI 客户端
创建主程序文件 weather_assistant.rb：
1
2
3
4
5
6
7
8
9
| require 'openai'
require 'dotenv/load'
require 'json'
# 配置 OpenAI 客户端
client = OpenAI::Client.new(
access_token: ENV['OPENAI_API_KEY'],
uri_base: ENV['OPENAI_API_BASE'] # 如果使用代理
)
|
3. 定义天气查询函数
1
2
3
4
5
6
7
8
9
10
11
12
13
| def get_weather(location)
# 这里模拟天气 API 调用
# 实际应用中，你可以接入真实的天气 API
weather_data = {
location: location,
temperature: 25,
condition: "晴朗",
humidity: 65,
wind_speed: 3.5
}
return weather_data
end
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
| TOOLS = [
{
type: "function",
function: {
name: "get_weather",
description: "获取指定地点的实时天气信息",
parameters: {
type: "object",
properties: {
location: {
type: "string",
description: "查询的地点，如：北京、上海、广州"
}
},
required: ["location"]
}
}
}
]
|
5. 实现对话处理逻辑
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
| def chat_with_assistant(user_input)
messages = [{ role: "user", content: user_input }]
response = client.chat(
parameters: {
model: "gpt-4-1106-preview", # 或其他支持 tool calling 的模型
messages: messages,
tools: TOOLS,
tool_choice: "auto"
}
)
# 处理响应
message = response.dig("choices", 0, "message")
if message["tool_calls"]
tool_calls = message["tool_calls"]
# 处理每个工具调用
tool_calls.each do |tool_call|
function_name = tool_call.dig("function", "name")
arguments = JSON.parse(tool_call.dig("function", "arguments"))
# 执行函数调用
result = case function_name
when "get_weather"
get_weather(arguments["location"])
end
# 将函数调用结果添加到消息历史
messages << {
role: "assistant",
content: nil,
tool_calls: [tool_call]
}
messages << {
role: "tool",
tool_call_id: tool_call["id"],
content: result.to_json
}
end
# 让助手处理函数返回结果
final_response = client.chat(
parameters: {
model: "gpt-4-1106-preview",
messages: messages
}
)
return final_response.dig("choices", 0, "message", "content")
end
return message["content"]
end
|
6. 运行示例
1
2
3
4
5
6
7
8
9
10
11
| # 主程序循环
puts "欢迎使用天气助手！输入 'quit' 退出"
loop do
print "你: "
user_input = gets.chomp
break if user_input.downcase == 'quit'
response = chat_with_assistant(user_input)
puts "助手: #{response}"
end
|
实际效果展示
使用上述代码，我们可以进行如下对话：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
| 你: 北京今天天气怎么样？
助手: 根据查询，北京现在的天气情况如下：
- 温度：25°C
- 天气状况：晴朗
- 湿度：65%
- 风速：3.5米/秒
天气适合外出活动。
你: 上海呢？
助手: 让我为您查询上海的天气：
- 温度：25°C
- 天气状况：晴朗
- 湿度：65%
- 风速：3.5米/秒
今天上海的天气也很不错！
|
进阶提示
错误处理：在实际应用中，应添加适当的错误处理机制：
- API 调用超时处理
- 无效地点名称处理
- API 限流处理
缓存机制：对于频繁查询的地点，可以实现缓存机制：
1
2
3
4
5
6
7
8
9
| def get_weather_with_cache(location)
cache_key = "weather_#{location}"
cached = Redis.get(cache_key)
return JSON.parse(cached) if cached
weather = get_weather(location)
Redis.set(cache_key, weather.to_json, ex: 1800) # 30分钟过期
weather
end
|
- 日志记录：添加日志记录以便追踪和调试：
1
2
3
4
| require 'logger'
logger = Logger.new('weather_assistant.log')
logger.info("Processing weather request for #{location}")
|
总结
OpenAI 的 Tool Calling 功能为 AI 应用开发带来了无限可能。通过 Ruby 实现这一功能，我们可以轻松构建智能、交互式的应用程序。本文展示的天气助手只是一个简单示例，你可以基于此扩展出更多有趣的应用，如：
- 多源数据查询助手
- 智能家居控制系统
- 个人日程管理助手
- 数据分析助手
希望本文能帮助你更好地理解和应用 OpenAI 的 Tool Calling 功能！
参考资源