Semantic Kernel/C#：一种通用的Function Calling方法，文末附经测试可用的大模型
Funcion Calling介绍
函数调用允许您将模型如gpt-4o与外部工具和系统连接起来。这对于许多事情都很有用，比如为AI助手赋能，或者在你的应用程序与模型之间建立深度集成。
如果您了解或者使用过Semantic Kernel可能会发现除了OpenAI支持Function Calling的模型之外，自动函数调用好像并不好用，国产大模型几乎都不能使用，由于想解决这个问题，在GitHub上找到了一个大佬的方法。
GitHub地址：https://github.com/Jenscaasen/UniversalLLMFunctionCaller
大佬是通过提示工程与Semantic Kernel中调用本地函数的原理来做的，我看了大佬的代码，将提示词改为了中文，可能会更适用于国产大模型。
之前写了一篇文章：
但是当时自己并没有开源项目，感兴趣的朋友，没有办法快速地上手体验，只能自己重新来一遍，现在已将这部分内容集成到我的开源项目SimpleRAG中，感兴趣的朋友只需填入自己的API Key即可快速体验，也可以方便地查看代码了。
GitHub地址：https://github.com/Ming-jiayou/SimpleRAG
一种通用的Function Calling方法
在开始介绍之前，先看一下效果：
对比一下不使用FunctionCalling的效果：
再来一个示例：
对比不使用Function Calling的效果：
具体代码可在GitHub中查看，这里重点介绍一下实现的过程。
这里以Qwen2-7B-Instruct为例。
首先创建一个Kernel：
在Kernel中导入插件：
以上只是用于测试的模拟函数。
只需这样写即可：
现在探究一下里面的过程。
首先将插件转化为文本：
在对话历史中加入示例：
在对话历史中加入一个指令：
将所有可用的函数嵌入到这个Prompt中了，如下所示：
将指令加入到对话历史中了，如下所示：
让LLM根据任务选择应该先调用哪个函数或者不用调用函数：
LLM返回完成这个任务需要调用的函数：
验证这个函数：
调用插件中的函数：
第一个函数返回的结果：
再向LLM发送请求，现在该调用哪个函数，LLM的返回如下所示：
同样执行插件中的第二个函数：
第二个函数的返回：
然后再向LLM发送请求：
调用的函数名为Finished，表示流程已完成，可以跳出来了，如下所示：
获得了最后的信息：
结果如下所示：
以上就是这个方法的大概流程，具体实现可以看GitHub开源的代码。
经过测试这种方法可用的LLM
| 平台 | 可用模型 |
|---|---|
| 硅基流动 | Llama-3.1-405/70/8B、Llama-3-70/8B-Instruct、DeepSeek-V2-Chat、deepseek-llm-67b-chat、Qwen2-72/57/7/1.5B-Instruct、Qwen2-57B-A14B-Instruct、Qwen1.5-110/32/14B-Chat、Qwen2-Math-72B-Instruct、Yi-1.5-34/9/6B-Chat-16K、internlm2_5-20/7b-chat |
| 讯飞星火 | Spark Lite、Spark Pro-128K、Spark Max、Spark4.0 Ultra |
| 零一万物 | yi-large、yi-medium、yi-spark、yi-large-rag、yi-large-fc、yi-large-turbo |
| 月之暗面 | moonshot-v1-8k、moonshot-v1-32k、moonshot-v1-128k |
| 智谱AI | glm-4-0520、glm-4、glm-4-air、glm-4-airx、glm-4-flash、glm-4v、glm-3-turbo |
| DeepSeek | deepseek-chat、deepseek-coder |
| 阶跃星辰 | step-1-8k、step-1-32k、step-1-128k、step-2-16k-nightly、step-1-flash |
| Minimax | abab6.5s-chat、abab5.5-chat |
| 阿里云百炼 | qwen-max、qwen2-math-72b-instruct、qwen-max-0428、qwen2-72b-instruct、qwen2-57b-a14b-instruct、qwen2-7b-instruct |
以上不一定完备，还有一些模型没测，欢迎大家继续补充。
