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。

  1. 在对话中退出functions形容
  2. 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}'}

  3. 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);

  1. 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)