将函数调用（Function Calling）与 LLM 相结合能够扩展您的 AI 应用的能力。通过将您的大语言模型（LLM）与用户定义的 Function 或 API 集成，您可以搭建高效的应用，解决实际问题。
本文将介绍如何将 Llama 3.1 与 Milvus 和 API 等外部工具集成，构建具备上下文感知能力的应用。
01
Function Calling 简介
诸如 GPT-4、Mistral Nemo 和 Llama 3.1 之类的大语言模型（LLMs）现在可以检测何时需要调用函数，然后输出包含调用该函数参数的 JSON。这一突破能够有效提升您的 AI 应用的能力。
Functional calling 助力开发人员：
搭建 LLM 驱动数据提取和标记解决方案（例如：从维基百科文章中提取人物名字）
开发能够将自然语言转换为 API 命令或数据库查询语句的应用
打造对话式的知识库搜索引擎
使用的工具
Ollama: 支持在您的笔记本电脑上使用强大的 LLM，有效简化本地操作流程。
Milvus: 用于高效存储和检索数据的首选向量数据库
8B 模型的升级版本，支持多语言、更长的上下文长度（128K）和利用工具进行操作。
02
使用 Llama 3.1 和 Ollama
Llama 3.1 已经在 Function calling 方面进行了微调。它支持通过单一、嵌套和并行的方式调用函数，同时支持多轮调用函数。借助 Llama 3.1 您的 AI 应用可以处理涉及多个并行步骤的复杂任务。
在本文示例中，我们将通过不同的函数来模拟用于获取航班时间的 API，然后在 Milvus 中执行搜索。Llama 3.1 将根据用户的查询决定调用哪个函数。
03
安装依赖
首先，使用 Ollama 下载 Llama 3.1：
ollama run llama3.1上述指令会将模型下载至您的笔记本电脑，您可以通过 Ollama 使用 Llama 3.1。接着，安装依赖：
! pip install ollama openai "pymilvus[model]"本文安装 Milvus Lite 以及模型插件。Milvus 的模型插件支持用户使用 Milvus 中集成的模型将数据转换为 Embedding 向量。
04
将数据插入 Milvus
将数据插入至 Milvus 中。后续，Llama 3.1 将判断相关性并决定是否搜索此步骤中插入的数据。
05
创建 Collection 并插入数据
from pymilvus import MilvusClient, model
embedding_fn = model.DefaultEmbeddingFunction()
docs = [
"Artificial intelligence was founded as an academic discipline in 1956.",
"Alan Turing was the first person to conduct substantial research in AI.",
"Born in Maida Vale, London, Turing was raised in southern England.",
]
vectors = embedding_fn.encode_documents(docs)
# The output vector has 768 dimensions, matching the collection that we just created.
print("Dim:", embedding_fn.dim, vectors[0].shape) # Dim: 768 (768,)
# Each entity has id, vector representation, raw text, and a subject label.
data = [
{"id": i, "vector": vectors[i], "text": docs[i], "subject": "history"}
for i in range(len(vectors))
]
print("Data has", len(data), "entities, each with fields: ", data[0].keys())
print("Vector dim:", len(data[0]["vector"]))
# Create a collection and insert the data
client = MilvusClient('./milvus_local.db')
client.create_collection(
collection_name="demo_collection",
dimension=768, # The vectors we will use in this demo has 768 dimensions
)
client.insert(collection_name="demo_collection", data=data)新创建的 Collection 中含有 3 个元素。
06
定义需要使用的 Functions
本文将定义两个 Function。第一个与 API call 相似，用于获取航班时间。第二个用于在 Milvus 中执行搜索和查询。
from pymilvus import model
import json
import ollama
embedding_fn = model.DefaultEmbeddingFunction()
# Simulates an API call to get flight times
# In a real application, this would fetch data from a live database or API
def get_flight_times(departure: str, arrival: str) -> str:
flights = {
'NYC-LAX': {'departure': '08:00 AM', 'arrival': '11:30 AM', 'duration': '5h 30m'},
'LAX-NYC': {'departure': '02:00 PM', 'arrival': '10:30 PM', 'duration': '5h 30m'},
'LHR-JFK': {'departure': '10:00 AM', 'arrival': '01:00 PM', 'duration': '8h 00m'},
'JFK-LHR': {'departure': '09:00 PM', 'arrival': '09:00 AM', 'duration': '7h 00m'},
'CDG-DXB': {'departure': '11:00 AM', 'arrival': '08:00 PM', 'duration': '6h 00m'},
'DXB-CDG': {'departure': '03:00 AM', 'arrival': '07:30 AM', 'duration': '7h 30m'},
}
key = f'{departure}-{arrival}'.upper()
return json.dumps(flights.get(key, {'error': 'Flight not found'}))
# Search data related to Artificial Intelligence in a vector database
def search_data_in_vector_db(query: str) -> str:
query_vectors = embedding_fn.encode_queries([query])
res = client.search(
collection_name="demo_collection",
data=query_vectors,
limit=2,
output_fields=["text", "subject"], # specifies fields to be returned
)
print(res)
return json.dumps(res)07
向 LLM 提供指令并使用定义的 Functions
向 LLM 提供指令。这样一来，LLM 可以使用我们上述定义的 Functions。
def run(model: str, question: str):
client = ollama.Client()
# Initialize conversation with a user query
messages = [{"role": "user", "content": question}]
# First API call: Send the query and function description to the model
response = client.chat(
model=model,
messages=messages,
tools=[
{
"type": "function",
"function": {
"name": "get_flight_times",
"description": "Get the flight times between two cities",
"parameters": {
"type": "object",
"properties": {
"departure": {
"type": "string",
"description": "The departure city (airport code)",
},
"arrival": {
"type": "string",
"description": "The arrival city (airport code)",
},
},
"required": ["departure", "arrival"],
},
},
},
{
"type": "function",
"function": {
"name": "search_data_in_vector_db",
"description": "Search about Artificial Intelligence data in a vector database",
"parameters": {
"type": "object",
"properties": {
"query": {
"type": "string",
"description": "The search query",
},
},
"required": ["query"],
},
},
},
],
)
# Add the model's response to the conversation history
messages.append(response["message"])
# Check if the model decided to use the provided function
if not response["message"].get("tool_calls"):
print("The model didn't use the function. Its response was:")
print(response["message"]["content"])
return
# Process function calls made by the model
if response["message"].get("tool_calls"):
available_functions = {
"get_flight_times": get_flight_times,
"search_data_in_vector_db": search_data_in_vector_db,
}
for tool in response["message"]["tool_calls"]:
function_to_call = available_functions[tool["function"]["name"]]
function_args = tool["function"]["arguments"]
function_response = function_to_call(**function_args)
# Add function response to the conversation
messages.append(
{
"role": "tool",
"content": function_response,
}
)
# Second API call: Get final response from the model
final_response = client.chat(model=model, messages=messages)
print(final_response["message"]["content"])08
使用示例
让我们看看是否能顺利查询到特定航班的时间：
question = "What is the flight time from New York (NYC) to Los Angeles (LAX)?"
run('llama3.1', question)结果如下：
The flight time from New York (JFK/LGA/EWR) to Los Angeles (LAX) is approximately 5 hours and 30 minutes. However, please note that this time may vary depending on the airline, flight schedule, and any potential layovers or delays. It's always best to check with your airline for the most up-to-date and accurate flight information.现在，让我们看看 Llama 3.1 是否能使用 Milvus 进行向量搜索。
question = "What is Artificial Intelligence?"
run('llama3.1', question)以下为 Milvus 搜索结果：
data: ["[{'id': 0, 'distance': 0.4702666699886322, 'entity': {'text': 'Artificial intelligence was founded as an academic discipline in 1956.', 'subject': 'history'}}, {'id': 1, 'distance': 0.2702862620353699, 'entity': {'text': 'Alan Turing was the first person to conduct substantial research in AI.', 'subject': 'history'}}]"] , extra_info: {'cost': 0}09
总结
Function Calling 与 LLM 的结合为我们创造了无限可能。通过将Llama 3.1与 外部工具（如 Milvus）和 API 集成，您可以构建具备上下文感知能力的应用，从而满足特定用例和解决实际问题。
欢迎使用 Milvus 并访问本教程 GitHub 代码。欢迎加入我们的社区并分享您的使用体验！
Source: https://zilliz.com/blog/function-calling-ollama-llama-3-milvus
推荐阅读
总结
### 文章总结本文探讨了将函数调用（Function Calling）与大语言模型（LLM）如Llama 3.1结合，以扩展AI应用的能力。通过分析具体案例，展示了如何将Llama 3.1与Milvus向量数据库及API等外部工具集成，构建具备上下文感知能力的应用。以下是主要内容总结：
1. **函数调用的介绍**：
- LLMs如GPT-4、Mistral Nemo和Llama 3.1现在可以检测何时需要调用函数，并输出包含函数参数的JSON。
- 这种方式助力于搭建数据提取、API命令转换、知识库搜索引擎等功能。
2. **工具介绍**：
- **Ollama**：支持在笔记本电脑上使用LLM，简化本地操作流程。
- **Milvus**：用于高效存储和检索数据的向量数据库，支持数据转换为Embedding向量。
3. **Llama 3.1与OLLAMA的使用**：
- Llama 3.1在函数调用方面进行了优化，支持多轮、单一/嵌套/并行函数调用。
- 示例展示了如何使用Llama 3.1通过定义好的函数（如API调用和Milvus搜索）来响应用户查询。
4. **安装依赖与数据准备**：
- 使用Ollama下载Llama 3.1模型和相关依赖。
- 安装Milvus Lite及模型插件，准备数据并插入Milvus。
5. **定义并执行函数**：
- 定义了两个关键函数——`get_flight_times`（模拟获取航班信息）和`search_data_in_vector_db`（在Milvus中搜索信息）。
- 向Llama 3.1提供用户查询和函数定义，由LLM决定调用的函数并返回结果。
6. **使用案例**：
- 展示了两个具体的使用场景，包括查询航班时间和通过Milvus搜索人工智能相关的文本信息。
7. **总结与展望**：
- 函数调用与LLM的结合为AI应用创造了广泛的可能性，通过与外部工具的集成，能够处理复杂的任务并提供个性化的服务。
- 邀请读者实践并分享经验，访问GitHub获取详细代码说明。
### 推荐延伸阅读
- 来源链接：[Zilliz博客](https://zilliz.com/blog/function-calling-ollama-llama-3-milvus)
该文章容许技术开发人员了解如何结合最新LLM技术与向量数据库等先进工具，构建强大的AI应用。