共计 3709 个字符，预计需要花费 10 分钟才能阅读完成。
摘要：本文由葡萄城技术团队于博客园原创并首发。转载请注明出处：葡萄城官网，葡萄城为开发者提供业余的开发工具、解决方案和服务，赋能开发者。
在《大火的 ChatGPT 与 SpreadJS 联合会有哪些意想不到的成果》一文中提到 ChatGPT 插件的一个显著的问题，那就是“返回的后果格局可能插件也无奈进行剖析应用，从而是使得后续的操作无奈继续执行”。造成这个问题起因与 ChatGPT 的技术原理有肯定的关系。
模型预言的限度：ChatGPT 是基于语言模型的，其性能受模型训练和数据集的限度。对于简单的问题可能并不能精确返回后果，同时返回的后果格局可能插件也无奈剖析应用。
但随着 6 月 13 日公布 Chat Completions API 的 function calling 能力，这个问题失去了很好的解决。此次更新带来了新的模型，更大的内容，更低的价格，而 Function calling 更是带来了革命性的互动形式。
通过 Function calling，OpenAI model 能够依据你对系统中 functions 的形容来生成内部零碎能够间接应用的结构化的 JSON 参数，这样 GPT 就能够更好的和内部零碎联合。
以前文中“倡议的数据透视表”为例，对于提供的表格数据，text-davinci-003 model 会返回倡议的文本内容：
“text”: “\n\n 行：销售人员 \n 列：品牌 \n 值：销售额 \n\n 通过这样设置能够剖析出每个销售人员销售的不同品牌的总销售额。”
尽管有换行等符号能够解析所须要的行列值，然而稳定性非常不确定，程序很难间接应用。
通过应用 Function calling，数据透视表的建设就会变得非常简单。还是以 OpenAI 官网提供的 nodejs 反对为例。
- 在对话中退出 functions 形容
-
1. let messages = [2. {"role": "user", "content": "最初的 JSON 数据第一行是数据字段，创立有剖析意义的数据透视表 \\n" + JSON.stringify(data)} 3. ] 4. let functions = [{ 5. "name": "pivot_talbe_analyze", 6. "description": "对数据创立数据透视表，返回数据透视表后果", 7. "parameters": { 8. "type": "object", 9. "properties": { 10. "rowFieldName": { 11. "type": "string", 12. "description": "行字段名称" 13. }, 14. "columnFieldName": { 15. "type": "string", 16. "description": "列段名称" 17. }, 18. "dataFieldName": { 19. "type": "string", 20. "description": "值字段名称" 21. }, 22. }, 23. }, 24. "required": ["rowFieldName", "dataFieldName"] 25. }] 26. 27. var response = openai.createChatCompletion({ 28. "model": "gpt-3.5-turbo-0613", 29. "messages": messages, 30. "functions": functions, 31. "functions_call": {"name": "pivot_talbe_analyze"} 32. });一次对话能够有多个 function 形容，每个 function 形容蕴含名称，形容，办法参数（形容规定是 JSON Schema），以及那些 parameter 是必选的。
对于抉择区域创立数据透视表，须要提供行、列、值三个维度的字段名称，因而须要 rowFieldName、columnFieldName 和 dataFieldName 三个 paramenter。
另外，能够通过 function_call 设置抉择 function 的模式，当 functions 字段不为空时默认为“auto”，示例中指定了 function pivot_talbe_analyze。
实现调用间接返回了 function name 和 parameters 中的三个参数：
{name: 'pivot_talbe_analyze', arguments: '{\\n"rowFieldName":" 销售人员 ",\\n"columnFieldName":" 品牌 ",\\n"dataFieldName":" 销售额 "\\n}'} -
应用 GPT 返回后果并创立透视表
通过返回的 function name 和 parameters 能够间接调用零碎中的对应办法创立的透视表了。
let args = JSON.parse(completion.data.choices[0].message.function_call.arguments)
let pivotTable = sheet.pivotTables.add(“PivotTable”, “Table1”, 2, 7, GC.Spread.Pivot.PivotTableLayoutType.outline, GC.Spread.Pivot.PivotTableThemes.medium2);
pivotTable.add(args.rowFieldName, args.rowFieldName, GC.Spread.Pivot.PivotTableFieldType.rowField);
if(args.columnFieldName)
pivotTable.add(args.columnFieldName, args.columnFieldName, GC.Spread.Pivot.PivotTableFieldType.columnField);
pivotTable.add(args.dataFieldName, “ 求和项：” + args.dataFieldName, GC.Spread.Pivot.PivotTableFieldType.valueField, GC.Pivot.SubtotalType.sum);
获取 SpreadJS 透视表后果如下：let ptRange = pivotTable.getRange().content;
let ptData = sheet.getArray(ptRange.row, ptRange.col, ptRange.rowCount, ptRange.colCount);
- 给 GPT 反馈公式调用后果
messages.push(completion.data.choices[0].message)
messages.push({“role”: “function”, “name”: “pivot_talbe_analyze”, “content”: JSON.stringify({pivotTable: ptData})})
response = openai.createChatCompletion({
“model”: “gpt-3.5-turbo-0613”,
“messages”: messages,
“functions”: functions,
function_call: “none”
});
response.then(function(completion){
let desc = completion.data.choices[0].message.content;
GC.Spread.Sheets.Designer.showMessageBox(desc, “ 剖析后果 ”, GC.Spread.Sheets.Designer.MessageBoxIcon.info)
});
将历史和获取到的透视表信息增加到 messages 中，这里 message rule 多了 function 类型，content 就是调用 function 的返回后果。调用时 function_call 设置 none，不要应用 function calling，GPT 依据上下文返回了如下信息：{role: ‘assistant’, content: ‘ 以下是创立的数据透视表：\n\n\`\`\`\n[\n [“ 求和项：销售额 ”, “ 品牌 ”, null, null…\n]\n\`\`\`\n\n 该数据透视表依照销售人员和品牌对销售额进行了汇总，能够更不便地进行数据分析和比拟。’}
接下来能够发送新的申请让 GPT 对数据做进一步的剖析解决，当然对于一些零碎操作，咱们做到步骤 2 就能够了。总结一下，通过 Function calling，本身零碎和 openai model 互动更加简便，耦合的更加严密，零碎通过互动的形式向 ChatGPT model 发动申请，model 能够智能抉择须要调用的零碎 function，进一步晋升了零碎的创造性。不过还是须要揭示，对于调用零碎数据更新删除的办法，还是要做好确认再去执行。** 扩大链接：**
[** 随笔 - 当 ChatGPT 遇见 SpreadJS**](https://www.grapecity.com.cn/blogs/chatgpt-meets-spreadjs)