摘要：本文由葡萄城技术团队于CSDN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专业的开发工具、解决方案和服务，赋能开发者。
在《大火的ChatGPT与SpreadJS结合会有哪些意想不到的效果》一文中提到ChatGPT插件的一个明显的问题，那就是“返回的结果格式可能插件也无法进行分析使用，从而是使得后续的操作无法继续执行”。造成这个问题原因与ChatGPT的技术原理有一定的关系。
模型预言的限制：ChatGPT是基于语言模型的，其性能受模型训练和数据集的限制。对于复杂的问题可能并不能准确返回结果，同时返回的结果格式可能插件也无法分析使用。
但随着6月13日发布Chat Completions API 的function calling能力，这个问题得到了很好的解决。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方式。
通过Function calling，OpenAI model可以根据你对系统中functions的描述来生成外部系统可以直接使用的结构化的JSON参数，这样GPT就可以更好的和外部系统结合。
以前文中“建议的数据透视表”为例，对于提供的表格数据，text-davinci-003 model会返回建议的文本内容：
“text”: “\n\n行：销售人员\n列：品牌\n值：销售额\n\n通过这样设置可以分析出每个销售人员销售的不同品牌的总销售额。”
虽然有换行等符号可以解析所需要的行列值，但是稳定性十分不确定，程序很难直接使用。
通过使用Function calling，数据透视表的建立就会变得非常简单。还是以OpenAI官方提供的nodejs支持为例。
-
在对话中加入functions描述
-
1. let messages = [ 2. { "role": "user", "content": "最后的JSON数据第一行是数据字段，创建有分析意义的数据透视表\\n" + JSON.stringify(data)} 3. ] 4. let functions = [{ 5. "name": "pivot_talbe_analyze", 6. "description": "对数据创建数据透视表，返回数据透视表结果", 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. });
一次对话可以有多个function描述，每个function描述包含名称，描述，方法参数（描述规则是JSON Schema），以及那些parameter是必选的。
对于选择区域创建数据透视表，需要提供行、列、值三个维度的字段名称，因此需要rowFieldName、columnFieldName和dataFieldName三个paramenter。
另外，可以通过function_call设置选择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。
完成调用直接返回了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}'}
- 使用GPT返回结果并创建透视表
通过返回的function name 和parameters可以直接调用系统中的对应方法创建的透视表了。
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透视表结果如下：
let ptRange = pivotTable.getRange().content;
let ptData = sheet.getArray(ptRange.row, ptRange.col, ptRange.rowCount, ptRange.colCount);
1. 给GPT反馈公式调用结果
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, "分析结果", GC.Spread.Sheets.Designer.MessageBoxIcon.info)
});
将历史和获取到的透视表信息添加到messages中，这里message rule多了function类型，content就是调用function的返回结果。
调用时function_call设置none，不要使用function calling， GPT根据上下文返回了如下信息：
{
role: 'assistant', content: '以下是创建的数据透视表：\n\n\`\`\`\n[\n ["求和项：销售额", "品牌", null, null…\n]\n\`\`\`\n\n该数据透视表按照销售人员和品牌对销售额进行了汇总，可以更方便地进行数据分析和比较。'}
接下来可以发送新的请求让GPT对数据做进一步的分析处理，当然对于一些系统操作，我们做到步骤2就可以了。
总结一下，通过Function calling，自身系统和openai model互动更加简便，耦合的更加紧密，系统通过互动的方式向ChatGPT model发起请求，model可以智能选择需要调用的系统function，进一步提升了系统的创造性。
不过还是需要提醒，对于调用系统数据更新删除的方法，还是要做好确认再去执行。
扩展链接：