Руководство по программированию: Методы вызова функций для создания разговорных ИИ-агентов в реальном времени

Вызов функций позволяет LLM (языковая модель) выступать в качестве моста между запросами на естественном языке и реальным кодом или API. Вместо простого генерирования текста, модель определяет, когда вызвать заранее определённую функцию, отправляет структурированный JSON-запрос с именем функции и аргументами, а затем ожидает, когда ваше приложение выполнит этот запрос и вернёт результаты. Этот обмен может повторяться, потенциально вызывая несколько функций последовательно, что позволяет осуществлять богатые многоступенчатые взаимодействия полностью под контролем разговора.

Реализация ИИ-агента для прогноза погоды

В этом руководстве мы создадим помощника по прогнозу погоды с использованием Gemini 2.0 Flash, чтобы продемонстрировать, как настроить и управлять циклом вызова функций. Интеграция вызовов функций преобразует чат-интерфейс в динамический инструмент для выполнения задач в реальном времени, будь то получение данных о погоде, проверка статусов заказов, планирование встреч или обновление баз данных. Пользователи больше не заполняют сложные формы или переходят по нескольким экранам; они просто описывают, что им нужно, а LLM управляет действиями без швов.

Настройка вызовов функций с использованием Google Gemini 2.0 Flash

Установите Gemini Python SDK и необходимые зависимости:

pip install "google-genai>=1.0.0" geopy requests

Импортируйте SDK и создайте экземпляр клиента:

import os
from google import genai

GEMINI_API_KEY = "Ваш_API_ключ"
client = genai.Client(api_key=GEMINI_API_KEY)
model_id = "gemini-2.0-flash"

Определение функции прогноза погоды

Определите JSON-схему для инструмента получения прогноза погоды:

weather_function = {
    "name": "get_weather_forecast",
    "description": "Получает прогноз погоды с использованием Open-Meteo API для заданного местоположения и даты.",
    "parameters": {
      "type": "object",
      "properties": {
        "location": {"type": "string", "description": "Город и штат, например, Сан-Франциско, CA"},
        "date": {"type": "string", "description": "Дата прогноза в формате (гггг-мм-дд)"}
      },
      "required": ["location", "date"]
    }
  }

Цикл вызова функций

Реализуйте полный цикл обработки запросов, который отправляет ваш запрос к Gemini, проверяет ответ на наличие вызова функции и выполняет его:

def function_call_loop(prompt):
    contents = [types.Content(role="user", parts=[types.Part(text=prompt)])]
    response = ate_content(model=model_id, config=config, contents=contents)

    # Дополнительная логика обработки ответа

Внедрение ИИ в бизнес

Посмотрите на практические примеры решений на базе ИИ, таких как бот продаж, разработанный для автоматизации клиентских взаимодействий. Вот несколько шагов для эффективного использования ИИ в бизнесе:

• Идентифицируйте процессы, которые могут быть автоматизированы.
• Определите ключевые показатели эффективности (KPI) для оценки влияния инвестиций в ИИ.
• Выбирайте инструменты, соответствующие вашим потребностям и целям.
• Начните с небольшого проекта и постепенно расширяйте использование ИИ.

Если вам нужна помощь в управлении ИИ в бизнесе, свяжитесь с нами по адресу hello@itinai.ru. Подписывайтесь на наш Telegram, чтобы оставаться в курсе последних новостей ИИ.