paper: 《Toolformer: Language Models Can Teach Themselves to Use Tools 》
核心思想，
1. Sampling API Calls ：设计设计prompt,让模型生成含API调用的文本（如图3），只保留K个概率最高的API调用
2. Executing API Calls： 然后执行这些API，拿回结果，
3. Filtering API Calls： 把这些结果插入到原文，如果API调用的结果对于预测下一个token有利（不调用API和调用API，损失之差大于于一个阈值，则认为有利），那么就保留这条数据
4. Model Finetuning： 利用上述步骤构造出一个新的数据集，使用这个数据集（含API调用的文本），去做模型微调，让模型学会何时去生成API调用
5. Inference：解码步骤的时候，模型预测出API调用时，先去执行API，把API的结果拼接到文本中，然后继续解码。
