这是一个基于 01-ai/Yi-6b-chat 模型进行微调的版本，专门用于实现工具调用（Tool Calling / Function Calling）功能。模型能够理解用户意图，并根据预先定义的工具集，生成一个结构化的 JSON 对象来调用相应的工具，从而与外部 API 或本地函数进行交互。

模型描述

此模型在 Yi-6B-Chat 的强大语言理解能力基础上，通过特定格式的指令微调，学会了“思考”何时需要借助外部工具来更好地完成用户的请求。当检测到需要使用工具时，模型不会直接回答，而是会生成一个包含工具名称和所需参数的 JSON 字符串。

开发者可以捕获这个 JSON 输出，执行相应的函数或 API 调用，然后将结果返回给模型，以生成最终的、更准确和丰富的回答。

主要特性:

工具识别: 能从用户输入中判断是否需要调用以及调用哪个工具。
参数提取: 能准确地从对话中提取调用工具所需的参数。
JSON 输出: 生成格式稳定、可被程序解析的 JSON 对象。
对话兼容: 支持在多轮对话中进行工具调用。

模型详情

基础模型: 01-ai/Yi-6b-chat
微调方法: 有监督微调 (Supervised Fine-tuning, SFT)
核心任务: 自然语言到工具调用的转换 (Natural Language to Tool Call)
输出格式: JSON

如何使用

你可以使用 transformers 库轻松地加载和使用此模型。以下是一个简单的示例，展示如何定义工具并让模型生成调用。

python

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
import json

# 1. 加载模型和分词器
model_path = "your_model_path" # 替换为你的模型路径
tokenizer = AutoTokenizer.from_pretrained(model_path, use_fast=False)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16, # 根据你的硬件调整
    device_map="auto"
)

# 2. 定义你的工具集 (Tools)
tools = [
    {
        "name": "get_current_weather",
        "description": "获取指定城市的实时天气信息",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {
                    "type": "string",
                    "description": "城市名称，例如：北京、上海"
                },
                "unit": {
                    "type": "string",
                    "enum": ["celsius", "fahrenheit"],
                    "description": "温度单位"
                }
            },
            "required": ["city"]
        }
    },
    {
        "name": "send_email",
        "description": "发送一封电子邮件",
        "parameters": {
            "type": "object",
            "properties": {
                "recipient": {
                    "type": "string",
                    "description": "收件人邮箱地址"
                },
                "subject": {
                    "type": "string",
                    "description": "邮件主题"
                },
                "body": {
                    "type": "string",
                    "description": "邮件正文内容"
                }
            },
            "required": ["recipient", "subject", "body"]
        }
    }
]

# 3. 构建 Prompt
query = "帮我查一下北京今天的天气，用摄氏度显示"
system_prompt = f"You are a helpful assistant with access to the following tools. Use them if required to answer the user's query.\n{json.dumps(tools, indent=2)}"

# 使用 Yi-Chat 模型的对话模板
messages = [
    {"role": "system", "content": system_prompt},
    {"role": "user", "content": query}
]

# 将 messages 转换为模型期望的输入格式
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)

# 4. 模型推理
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=256,
    eos_token_id=tokenizer.eos_token_id, # 根据你的 tokenizer 设置
    pad_token_id=tokenizer.pad_token_id if tokenizer.pad_token_id is not None else tokenizer.eos_token_id,
    do_sample=True,
    top_p=0.8,
    temperature=0.7
)

response_text = tokenizer.decode(outputs[0][len(inputs.input_ids[0]):], skip_special_tokens=True)

print("--- Model Output ---")
print(response_text)

# 5. 解析并执行工具调用
# !!! 警告：绝不要直接执行模型生成的代码或字符串。始终先进行解析和验证。
try:

    tool_call_json = json.loads(response_text)
    
    tool_name = tool_call_json.get("name")
    tool_args = tool_call_json.get("arguments", {})

    print(f"\n--- Tool Call Parsed ---")
    print(f"Tool Name: {tool_name}")
    print(f"Arguments: {tool_args}")
    
    # 在这里添加你的工具执行逻辑
    # if tool_name == "get_current_weather":
    #     result = get_current_weather(**tool_args)
    #     ...

except json.JSONDecodeError:
    print("\n--- Final Answer (No Tool Call) ---")
    print(response_text)

Prompt 格式

为了触发工具调用，模型期望的输入遵循特定的格式。在微调期间，我们使用了包含系统指令的对话模板。

System Prompt: 包含一个引导指令和 JSON 格式的工具定义列表。
User Prompt: 用户的原始请求。

模板示例:

<|im_start|>system
You are a helpful assistant with access to the following tools. Use them if required to answer the user's query.
[
  {
    "name": "get_current_weather",
    "description": "获取指定城市的实时天气信息",
    "parameters": {
      "type": "object",
      "properties": {
        "city": {
          "type": "string",
          "description": "城市名称，例如：北京、上海"
        }
      },
      "required": ["city"]
    }
  }
]
<|im_end|>
<|im_start|>user
上海今天天气怎么样？<|im_end|>
<|im_start|>assistant

当模型检测到需要调用工具时，它将在 assistant 部分生成如下的 JSON：

json

{
  "name": "get_current_weather",
  "arguments": {
    "city": "上海"
  }
}

核心能力

意图理解: 模型能超越字面意思，理解用户的真实意图，并匹配到最合适的工具。
多参数提取: 能够从一句复杂的话中提取多个不同类型的参数。
格式鲁棒性: 经过微调，模型能稳定地生成合法的 JSON 格式，便于程序处理。
拒绝调用: 当用户请求与所有可用工具都无关时，模型会像常规聊天模型一样直接回答，而不是强行调用工具。

局限性与偏见

继承偏见: 此模型继承了基础模型 yi-6b-chat 可能存在的所有偏见。
工具定义敏感性: 模型的表现高度依赖于工具描述的清晰度和准确性。模糊或有歧义的描述可能导致错误的工具选择或参数提取。
幻觉: 在某些情况下，模型可能会“幻觉”出不存在的参数，或者错误地填充参数值。下游应用程序必须对模型输出进行严格的验证。
知识范围: 模型的能力严格限于 Prompt 中提供的工具集。它无法调用未定义的工具。

安全警告

模型生成的输出是文本，永远不要在没有严格审查和安全沙箱的情况下，使用 eval() 或 exec() 等函数直接执行模型生成的任何代码或命令。工具调用的 JSON 输出也应经过白名单和参数类型验证，以防止潜在的注入攻击。

预期用途

此模型旨在作为后端 AI 系统的一部分，用于：

构建能够与外部 API（如天气、股票、日历）交互的智能助理。
在 RAG (Retrieval-Augmented Generation) 流程中，将用户问题转换为数据库或搜索引擎的查询。
实现自然语言驱动的自动化工作流。
创建更具交互性和实用性的聊天机器人。

tomhao/yi_6b_chat_tool_use

Yi-6B-Chat-Function-Calling 微调模型

目录