Kurs Python · Moduł 10: AI i modele językowe
Function Calling - AI, które sięga po narzędzia
W tej lekcji5
Model językowy sam z siebie nie zna dzisiejszej pogody w Serengeti ani aktualnej populacji lwów - potrafi tylko układać słowa. Function calling daje mu narzędzia: Twoje funkcje Pythona, po które może sięgnąć, gdy pytanie wykracza poza to, co wie.
Najważniejsze: model nie wykonuje funkcji
Zanim napiszesz linijkę kodu, zrozum jedno - to źródło wszystkich nieporozumień z function calling. Model nigdy sam nie uruchamia Twojej funkcji. On tylko mówi: "chcę wywołać get_weather z argumentem Serengeti". Wykonanie należy do Ciebie. To rozmowa w turach:
- Dajesz modelowi pytanie i listę dostępnych narzędzi.
- Model odpowiada nie tekstem, lecz prośbą: "wywołaj tę funkcję z tymi argumentami".
- Ty uruchamiasz funkcję w Pythonie i dostajesz wynik.
- Oddajesz wynik modelowi.
- Model układa z niego ludzką odpowiedź.
Przejdziemy przez te tury po kolei. Zaczynamy od tego, jak opisać modelowi narzędzie - bo model nie widzi Twojego kodu, tylko jego opis.
from openai import OpenAI
import json
client = OpenAI()
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Pobiera pogodę dla lokalizacji Safari",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "Nazwa lokalizacji, np. 'Serengeti'"
}
},
"required": ["location"]
}
}
}
]Zwróć uwagę: to jest sam opis narzędzia, nie jego działanie. Pola description są tu najważniejsze - to po nich model decyduje, kiedy sięgnąć po funkcję i co wpisać w argument. Im lepszy opis, tym trafniej model wybiera narzędzie. Sekcja required mówi, które argumenty są obowiązkowe.
Tura druga: model prosi o wywołanie
Teraz wysyłamy pytanie razem z listą narzędzi. Uważnie przeczytaj, co model zwraca - to nie odpowiedź dla użytkownika.
response = client.chat.completions.create(
model="gpt-5",
messages=[{"role": "user", "content": "Jaka jest pogoda w Serengeti?"}],
tools=tools,
tool_choice="auto"
)
message = response.choices[0].message
if message.tool_calls:
for tool_call in message.tool_calls:
function_name = tool_call.function.name
arguments = json.loads(tool_call.function.arguments)
print(f"Model chce wywołać: {function_name}({arguments})")Zamiast gotowej odpowiedzi model zwrócił tool_calls - listę próśb o wywołanie. Argumenty przychodzą jako tekst JSON, dlatego json.loads zamienia je na słownik Pythona. Na tym etapie nic się jeszcze nie wydarzyło - model tylko powiedział, czego chce. Wykonanie jest naszym kolejnym krokiem.
Tura trzecia: to Ty wykonujesz funkcję
Model zna nazwę funkcji tylko jako napis. Musimy więc mieć jej prawdziwą implementację i sposób, by z nazwy trafić do właściwego kodu.
def get_weather(location: str) -> dict:
# W prawdziwej aplikacji - wywołanie API pogodowego
return {"location": location, "temperature": 28, "conditions": "Słonecznie"}
available_functions = {
"get_weather": get_weather
}Słownik available_functions to most między światem modelu a Twoim kodem: model podaje napis "get_weather", a Ty po tym napisie wyciągasz prawdziwą funkcję. To Ty decydujesz, co naprawdę się wykona - model nie ma dostępu do niczego, czego mu tu nie udostępnisz. Zauważ, że to naturalne miejsce na kontrolę bezpieczeństwa.
Wszystkie tury razem
Zobacz teraz pełną rozmowę: pytanie, prośba modelu, wykonanie, oddanie wyniku i finalna odpowiedź. Prześledź, jak lista messages rośnie o kolejne tury.
def chat_with_tools(user_message: str):
messages = [{"role": "user", "content": user_message}]
response = client.chat.completions.create(
model="gpt-5", messages=messages, tools=tools
)
message = response.choices[0].message
if message.tool_calls:
messages.append(message) # zapisz prośbę modelu
for tool_call in message.tool_calls:
name = tool_call.function.name
args = json.loads(tool_call.function.arguments)
result = available_functions[name](**args) # Ty wykonujesz
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": json.dumps(result) # oddaj wynik modelowi
})
final = client.chat.completions.create(model="gpt-5", messages=messages)
return final.choices[0].message.content
return message.contentKluczowe są dwa wywołania create: pierwsze, w którym model prosi o narzędzie, i drugie - po dopisaniu wyniku - w którym model układa odpowiedź dla człowieka. Rola "tool" i tool_call_id to sposób, w jaki mówisz modelowi "oto wynik dokładnie tej funkcji, o którą prosiłeś". Bez tej drugiej tury użytkownik dostałby surowy JSON zamiast zdania.
LangChain - ta sama idea, mniej kodu
Ręczne prowadzenie tur bywa żmudne. LangChain pakuje całą tę pętlę w agenta - Ty tylko oznaczasz funkcje jako narzędzia, a on sam prowadzi rozmowę.
from langchain.tools import tool
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
@tool
def calculate_distance(from_loc: str, to_loc: str) -> str:
"""Oblicza odległość między lokalizacjami Safari."""
return f"Odległość z {from_loc} do {to_loc}: 150 km"
llm = ChatOpenAI(model="gpt-5")
prompt = ChatPromptTemplate.from_messages([
("system", "Jesteś pomocnym asystentem Safari."),
("human", "{input}"),
("placeholder", "{agent_scratchpad}")
])
agent = create_tool_calling_agent(llm, [calculate_distance], prompt)
executor = AgentExecutor(agent=agent, tools=[calculate_distance], verbose=True)
executor.invoke({"input": "Jak daleko jest z Nairobi do Serengeti?"})Dekorator @tool robi to, co wcześniej pisaliśmy ręcznie: z docstringa buduje opis dla modelu, a z sygnatury - listę argumentów. AgentExecutor prowadzi za Ciebie wszystkie tury z poprzedniego przykładu, w kółko, aż model uzna, że ma komplet informacji.
Pamiętaj z tej lekcji jedno zdanie: function calling to nie "AI uruchamia kod", tylko model prosi, a Ty wykonujesz i oddajesz wynik. Cała reszta - OpenAI czy LangChain - to tylko wygodniejszy zapis tej samej rozmowy w turach.
Hasła z dokumentacji w tej lekcji
Widzisz błąd w tej lekcji?
Sprawdź się
Odpowiedz na pytania z tej lekcji. Wybierz odpowiedź, a od razu zobaczysz, czy jest poprawna.
1. Czym jest Function Calling w kontekście LLM?
2. Jak definiuje się tools w OpenAI API?
Zadania praktyczne w grze
- Edytor kodu
Zdefiniuj tool i obsłuż wywołanie funkcji przez model.
- Układanie w pionie
Uporządkuj kroki:
- Układanie w poziomie
Ułóż import dekoratora tool z LangChain:
- Klikanie w kolejności
Kliknij w przyciski, aby dodać odpowiedź narzędzia: