Qwen学习笔记3：Qwen模型调用外部API实现模型增强（openai的形式）

前言

本文记录了使用本地部署的Qwen模型，调用外部API实现模型的功能增强，非常的易用，大家用于开发自己的应用，只需要作简单的修改就可以进行使用了。

本文的代码来源视频教程：

Qwen大模型变强了，通过API调用外部工具给Qwen模型有效赋能，ReAct实践，API工具调用_哔哩哔哩_bilibili

（手动敲出来的，呜呜~）

代码实现过程

启动模型

先启动Qwen模型的Openai-api访问的服务：

修改模型路径为本地：

启动api服务

ps:可以看到我先切换到千问的虚拟环境中，且在模型的路径下执行。

主要笔记代码

调用本地部署的模型

# 调用本地部署的Qwen模型
import openai

openai.api_base = 'http://127.0.0.1:8000/v1'
openai.api_key = 'none'

尝试进行通用的对话：

messages = [{'role': 'user', 'content': '你好,请你详细介绍一下你自己。'}]
response = openai.ChatCompletion.create(
    model='Qwen',
    messages=messages,)
response.choices[0].message['content']

'你好！我叫通义千问，是由阿里云自主研发的预训练语言模型。我的目的是通过理解和生成自然语言来帮助人类完成各种任务，如回答问题、提供建议、生成代码、聊天等。\n\n我是基于Transformer架构设计的，拥有大量的文本数据作为训练资源，经过多轮迭代和优化，我已经具备了强大的语言处理能力。我可以理解复杂的语句结构和上下文关系，并能够根据输入的问题或指令生成相应的回复。\n\n在使用过程中，你可以通过简单的文本交互与我进行沟通，我会尽力提供准确、有用的回答。如果你有任何问题或者需要帮助，请随时告诉我，我会尽力为你提供支持。'

可以看到模型能够正确的通过Openai_api进行访问，如果不能访问，按照提示进行相关库的安装即可：

例如我这里缺少这个库：

再次用到之前的例子

先模拟数据库和查询方法

# 用JSON格式模拟数据库j
class CourseDatabase:
    def __init__(self):
        self.database = {
            "大模型技术实战":{
                "课时": 200,
                "每周更新次数": 3,
                "每次更新小时": 2
            },
             "机器学习实战":{
                "课时": 230,
                "每周更新次数": 2,
                "每次更新小时": 1.5
            },
            "深度学习实战":{
                "课时": 150,
                "每周更新次数": 1,
                "每次更新小时": 3
            },
            "AI数据分析":{
                "课时": 10,
                "每周更新次数": 1,
                "每次更新小时": 1
            },
        }
    def course_query(self, course_name):
        return self.database.get(course_name, "目前没有该课程信息")

模拟数据库操作

# 用JSON格式模拟数据库j
class CourseOperations:
    def __init__(self):
        self.db = CourseDatabase()

    def add_hours_to_course(self, course_name, additional_hours):
        if course_name in self.db.database:
            self.db.database[course_name]['课时'] += additional_hours
            return f"课程 {course_name}的课时已增加{additional_hours}小时。"
        else:
            return "课程不存在,无法添加课时"

添加工具库：

TOOLS = [
    {
        'name_for_human': '课程信息数据库',
        'name_for_model': 'CourseDatabase',
        'description_for_model': '课程信息数据库存储有各课程的详细信息,包括目前的上线课时，每周更新次数以及每次更新的小时数。通过输入课程名称，可以返回该课程的详细信息。',
        'parameters': [{
            'name': 'course_query',
            'description': '课程名称,所需查询信息的课程名称',
            'required': True,
            'schema': {
                'type': 'string'
            },
        }],
    },
        {
        'name_for_human': '课程操作工具',
        'name_for_model': 'CourseOperations',
        'description_for_model': '课程操作工具提供了对课程信息的添加操作，可以添加课程的详细信息，如每周更新次数，更新课时',
        'parameters': [{
            'name': 'add_hours_to_course',
            'description': '给指定的课程增加课时，需要课程名称和增加的课时数',
            'required': True,
            'schema': {
                'type': 'string',
                'properties': {
                    'course_name': {'type': 'string'},
                    'additional_hours': {'type': 'string'}
                },
                'required': ['course_name', 'additional_hours']
            },
        }],
    },
    # 其他工具的定义可以在这里继续添加
]

将工具库作为参数传入对话模型

messages = [{'role': 'user', 'content': '你好,请你详细介绍一下你自己。'}]
response = openai.ChatCompletion.create(
    model='Qwen',
    messages=messages,
    funcitons=TOOLS,
)
# response.choices[0].message['content']
response

<OpenAIObject chat.completion at 0x20ec754b7d0> JSON: {
  "model": "Qwen",
  "object": "chat.completion",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\u4f60\u597d\uff01\u6211\u662f\u4e00\u4e2a\u5927\u6a21\u578b\uff0c\u53eb\u901a\u4e49\u5343\u95ee\u3002\u6211\u662f\u963f\u91cc\u4e91\u81ea\u4e3b\u7814\u53d1\u7684\u8d85\u5927\u89c4\u6a21\u8bed\u8a00\u6a21\u578b\uff0c\u80fd\u591f\u56de\u7b54\u95ee\u9898\u3001\u521b\u4f5c\u6587\u5b57\uff0c\u8fd8\u80fd\u8868\u8fbe\u89c2\u70b9\u3001\u64b0\u5199\u4ee3\u7801\u3002\u6211\u7684\u76ee\u6807\u662f\u5e2e\u52a9\u7528\u6237\u83b7\u5f97\u51c6\u786e\u3001\u6709\u7528\u7684\u4fe1\u606f\uff0c\u89e3\u51b3\u4ed6\u4eec\u7684\u95ee\u9898\u548c\u56f0\u60d1\u3002\u6211\u4f1a\u4e0d\u65ad\u5b66\u4e60\u548c\u8fdb\u6b65\uff0c\u4e0d\u65ad\u63d0\u5347\u81ea\u5df1\u7684\u80fd\u529b\uff0c\u4e3a\u7528\u6237\u63d0\u4f9b\u66f4\u597d\u7684\u670d\u52a1\u3002\u5982\u679c\u60a8\u6709\u4efb\u4f55\u95ee\u9898\u6216\u9700\u8981\u5e2e\u52a9\uff0c\u8bf7\u968f\u65f6\u544a\u8bc9\u6211\uff0c\u6211\u4f1a\u5c3d\u529b\u63d0\u4f9b\u652f\u6301\u3002",
        "function_call": null
      },
      "finish_reason": "stop"
    }
  ],
  "created": 1715751941
}

在以上对于通用知识的回复（你好这种）中可以看出，function_call未启用，不会进入到ReAct思维链和函数调用的模式。

上边十六进制的编码转换打印出来：

response.choices[0].message['content']

'你好！我是一个大模型，叫通义千问。我是阿里云自主研发的超大规模语言模型，能够回答问题、创作文字，还能表达观点、撰写代码。我的目标是帮助用户获得准确、有用的信息，解决他们的问题和困惑。我会不断学习和进步，不断提升自己的能力，为用户提供更好的服务。如果您有任何问题或需要帮助，请随时告诉我，我会尽力提供支持。'

现在来提出一个模型用自身知识无法回答的问题

messages = [{'role': 'user', 'content': '帮我查询一下，大模型技术实战课程更新了多少节？'}]
response = openai.ChatCompletion.create(
    model='Qwen',
    messages=messages,
    functions=TOOLS,
    stop_words_ids=None,
)
# response.choices[0].message['content']
response

<OpenAIObject chat.completion at 0x20ec7769430> JSON: {
  "model": "Qwen",
  "object": "chat.completion",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\u6211\u5e94\u8be5\u4f7f\u7528CourseDatabase\u8fd9\u4e2a\u5de5\u5177\u6765\u67e5\u8be2\u8bfe\u7a0b\u4fe1\u606f\u3002",
        "function_call": {
          "name": "CourseDatabase",
          "arguments": "{\"course_query\": \"\u5927\u6a21\u578b\u6280\u672f\u5b9e\u6218\"}"
        }
      },
      "finish_reason": "function_call"
    }
  ],
  "created": 1715752374
}

我们看到输出的结果已经有很大的不同，function_call被激活，而且输出了解决问题需要的方法以及参数：

"function_call": { "name": "CourseDatabase", "arguments": "{\"course_query\": \"\u5927\u6a21\u578b\u6280\u672f\u5b9e\u6218\"}" }

我们看看模型的回复：

response.choices[0].message['content']

'我应该使用CourseDatabase这个工具来查询课程信息。'

这就是成功识别后正确处理方法，确实是进入到思考链和行动中。

打印模型回复的message

response_message = response["choices"][0]["message"]
response_message

<OpenAIObject at 0x20ec77692b0> JSON: {
  "role": "assistant",
  "content": "\u6211\u5e94\u8be5\u4f7f\u7528CourseDatabase\u8fd9\u4e2a\u5de5\u5177\u6765\u67e5\u8be2\u8bfe\u7a0b\u4fe1\u606f\u3002",
  "function_call": {
    "name": "CourseDatabase",
    "arguments": "{\"course_query\": \"\u5927\u6a21\u578b\u6280\u672f\u5b9e\u6218\"}"
  }
}

# 解析完成对话需要调用的函数名称
function_name = response_message["function_call"]["name"]
function_name

'CourseDatabase'

# 解析出调用参数
import json
function_args = json.loads(response_message["function_call"]["arguments"])
function_args

{'course_query': '大模型技术实战'}

# 通过eval()方法执行实例化CourseDatabase
# tool_instance = eval(function_name)
tool_instance = CourseDatabase() 
print(tool_instance)

<__main__.CourseDatabase object at 0x0000020EC74D2390>

这里原先使用eval()去实例化类，但是我在执行中，后续的代码不能够成功，研究了半天，最后查询如下：

# 文心一言：告诉记住，永远不要在代码中直接使用 eval()，除非你完全了解它如何工作并且你的输入来源是安全的。在你的例子中，你不应该使用 eval() 来实例化类。

这里不能使用eval()原因真的没有弄明白，后续再研究，这里直接用类名可以成功执行。

next(iter(function_args))

'course_query'

# 实例化类中的方法
tool_func = getattr(tool_instance, next(iter(function_args)))
print(tool_func)

<bound method CourseDatabase.course_query of <__main__.CourseDatabase object at 0x0000020EC74D2390>>

function_args[next(iter(function_args))]

'大模型技术实战'

first_result = tool_func(function_args[next(iter(function_args))])
first_result

{'课时': 200, '每周更新次数': 3, '每次更新小时': 2}

向messages中追加模型的返回消息，关于那段执行逻辑

# 追加assistent返回消息
messages.append(
    {
        "role": "assistant",
        "content": response.choices[0].message['content'],
    }
)

追加function返回消息

# 追加function返回消息
messages.append(
    {
        "role": "function",
        "content": str(first_result),
    }
)

打印一下：

messages

[{'role': 'user', 'content': '帮我查询一下，大模型技术实战课程更新了多少节？'},
 {'role': 'assistant', 'content': '我应该使用CourseDatabase这个工具来查询课程信息。'},
 {'role': 'function', 'content': "{'课时': 200, '每周更新次数': 3, '每次更新小时': 2}"}]

将完整的消息再次输入到模型中：

这里我们发现不用再提交历史给chat模型，我觉得Openai这种方式是存储了历史消息的，直接进行对话就可以了。

response = openai.ChatCompletion.create(
    model='Qwen',
    messages=messages,
    functions=TOOLS,
    # stop_words_ids=None,
)
# response.choices[0].message['content']
response

<OpenAIObject chat.completion at 0x20ec7d922d0> JSON: {
  "model": "Qwen",
  "object": "chat.completion",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\u5927\u6a21\u578b\u6280\u672f\u5b9e\u6218\u8bfe\u7a0b\u5df2\u7ecf\u66f4\u65b0\u4e86200\u8282\u8bfe\uff0c\u6bcf\u5468\u66f4\u65b03\u6b21\uff0c\u6bcf\u6b21\u66f4\u65b02\u5c0f\u65f6\u3002",
        "function_call": null
      },
      "finish_reason": "stop"
    }
  ],
  "created": 1715756090
}

可见模型输出"finish_reason": "stop"说明模型认为自己完成了相应的任务，function_call执行成功了。

打印一下文字消息：

response.choices[0].message['content']

'大模型技术实战课程已经更新了200节课，每周更新3次，每次更新2小时。'

OK！成功查询到相应的数据。

到此为止，已经又再次实现了千问模型的函数调用功能，而且采用Openai这种Api的方式更加的方便快捷。

封装成一个完整的函数

以下是一个集成的代码，大家可以拿去和进一步加工修改：

def run_conversation(messages, functions_list=None):
    """
    能够自动执行外部函数的chat对话模型
    :param messages: 必要参数，字典类型，输入到Chat模型的messages参数对象
    :param functions_list: 可选参数，默认为None,可以设置为包含全部外部函数的列表对象
    :param model: Chat模型,可选参数，，默认模式是gpt-4
    :return: Chat模型输出结果
    """
    # 如果没有外部函数库，则执行普通的对话任务
    # 修改一：修改为Qwen的对话逻辑
    if functions_list == None:
        response = openai.ChatCompletion.create(
            model="Qwen",
            messages=messages,
        )
        response_message = response["choices"][0]["message"]
        final_response = response_message["conten"]
    # 若存在外部函数库则需要灵活选取外部函数并进行回答j
    else:
        # 创建function对象c
        functions = functions_list

        # first response
        response = openai.ChatCompletion.create(
            model="Qwen",
            messages=messages,
            functions=functions
        )
        response_message = response["choices"][0]["message"]

        # 修改2从函数API编写方式，改为类的编写方式h
        # 判断返回结果是否存在function_call，即判断是否需要调用外部函数来回答问题
        if response_message.get("function_call"):
            # 需要调用外部函数
            # 获取函数名
            function_name = response_message["function_call"]["name"]
            # 获取函数对象
            import json
            # 执行该函数所需要的参数
            print(response_message["function_call"]["arguments"])
            function_args = json.loads(response_message["function_call"]["arguments"])
            
            tool_instance = eval(function_name)()
            # 实例化类中的方法
            tool_func = getattr(tool_instance, next(iter(function_args)))
            first_result = tool_func(function_args[next(iter(function_args))])
            # 修改3:按照Qwen的对话History，添加system message
            messages.append(
                {
                    "role": "assistant",
                    "content": response.choices[0].message['content'],
            }
            )
            
            # messages中拼接first response消息
            # 追加function返回消息
            messages.append(
                {
                    "role":"function",
                    "content": str(first_result),
                }
            )
            
            # 第二次调用模型
            second_response = openai.ChatCompletion.create(
                model='Qwen',
                messages=messages,
            )
            # 获取最终结果
            final_response = second_response["choices"][0]["message"]["content"]
        else:
            final_response = second_response["content"]
    return final_response

我们使用该代码测试一下：

messages = [{'role': 'user', 'content': '帮我查询一下，大模型技术实战课程更新了多少节？'}]
run_conversation(messages = messages,functions_list=TOOLS)

{"course_query": "大模型技术实战"}
' 通过以上信息可以得知该课程的课时为200节，每周更新3次，每次更新2小时。'

再测试一下

messages = [{'role': 'user', 'content': '我们的课程中机器学习实战课程目前更新了多少节课时？'}]
run_conversation(messages = messages,functions_list=TOOLS)

'这门课程已经更新了230节课时，每周更新两次，每次更新1.5小时。\nOutput: 该课程已经更新了230节课时。'

messages = [{'role': 'user', 'content': '我们的课程中人工智能课程目前更新了多少节课时？'}]
run_conversation(messages = messages,functions_list=TOOLS)

' 无法提供人工智能课程更新数量的信息，建议向课程管理员咨询'

结语

通过以上的测试，可以看出千问模型（Qwen 7B）函数调用的能力还是比较稳定的，能够稳定的识别和回答相应的问题。模型能力得到了进一步的加强。