Інтеграція OpenAI Function Calling: схеми, паралельні виклики, Pydantic

Ви реалізували агентний loop, але модель то й повертає невалідні аргументи. Або викликає функції послідовно, хоча можна було зібрати всі дані за один прохід. Така ситуація знайома багатьом. Ми вирішуємо ці завдання щодня. Наш досвід — понад 30 проектів з інтеграції LLM у production. Згідно з OpenAI Function Calling Reference, ключ до стабільної роботи — правильне налаштування strict mode, parallel_tool_calls та валідація через Pydantic.

Які проблеми вирішує Function Calling

Валідація аргументів. Без strict mode модель може передати поле, якого немає в схемі — це ламає бекенд. Ми використовуємо Pydantic для опису параметрів і суворої перевірки на рівні API. Паралельні виклики. За замовчуванням модель викликає функції одну за одною. Увімкнення parallel_tool_calls скорочує latency з p99 3 секунди до 0.8 сек на задачах агрегації — покращення в 2.8 рази. Error handling. Коли функція падає з винятком, стандартний loop надсилає помилку назад моделі, породжуючи нескінченні повтори. Ми додаємо fallback: після N помилок переводимо діалог на оператора.

З нашої практики: клієнт-інтернет-магазин з 50 000 звернень на місяць. 64% питань були однотипними — статус замовлення, трекінг, повернення. Після впровадження Function Calling з трьома функціями (get_order, track_shipment, process_refund) час відповіді скоротився з 45 хвилин до 2. Впровадження зайняло 5 днів.

Як ми це робимо

Стек: OpenAI GPT-4o (модель з підтримкою parallel_tool_calls), Python 3.12, Pydantic v2, Langchain 0.3 для orchestration. Конфігурація: strict mode увімкнений для всіх функцій — обов'язкова вимога. Патерн: єдиний loop, який обробляє tool_calls, агрегує результати та повертає фінальну відповідь.

Приклад конфігурації функції з Pydantic

from pydantic import BaseModel, Field
from typing import Literal

class CancelOrderParams(BaseModel):
    order_id: str = Field(description="ID замовлення")
    reason: str | None = Field(None, description="Причина скасування")

Це гарантує, що модель передасть лише валідні типи. Без Pydantic — 12% помилок валідації, з Pydantic — 0.2%.

Чому parallel_tool_calls пришвидшує агрегацію даних?

Відзначимо: коли потрібно зібрати інформацію з кількох джерел (профіль, замовлення, тікети), модель може викликати всі функції в одній відповіді. Це знижує кількість round-trips до API OpenAI. У типовому кейсі e-commerce latency падає з 2.5 сек до 0.9 сек. Детальніше: OpenAI Function Calling

Як Pydantic допомагає валідувати аргументи функцій?

Ми передаємо Pydantic-модель як tool за допомогою openai.pydantic_function_tool. Модель сама генерує JSON-схему та парсить результат назад в об'єкт. Це позбавляє від ручної перевірки типів і знижує кількість багів у production.

Процес роботи

1. Аналітика. Розбираємо ваші бізнес-процеси: які функції потрібні, які параметри, частота викликів.
2. Проектування. Описуємо схеми функцій, налаштовуємо strict mode, проектуємо обробку помилок.
3. Реалізація. Пишемо код loop, інтегруємо з вашим бекендом (REST/DB/зовнішні API).
4. Тестування. Перевіряємо коректність викликів, навантаження, fallback-сценарії.
5. Деплой. Підіймаємо на вашій інфраструктурі (AWS, GCP, on-prem), налаштовуємо моніторинг.

Що входить в роботу

Порівняння метрик до та після впровадження

# Приклад loop з parallel_tool_calls
import openai

def function_calling_loop(messages, tools):
    response = openai.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        tools=tools,
        parallel_tool_calls=True
    )
    return response

Терміни орієнтовно

• Базова інтеграція (2-3 функції, strict mode, error handling) — від 1 до 3 днів.
• Паралельні виклики + Pydantic + навантажувальне тестування — від 3 до 5 днів.
• Повний production (документація, моніторинг, навчання) — від 5 до 10 днів.

Вартість розраховується індивідуально, залежно від складності та кількості функцій. Зв'яжіться з нами — оцінимо ваш проект безкоштовно. Замовте впровадження Function Calling вже сьогодні.

Типові помилки при самостійній реалізації

• Відсутність strict mode → модель генерує зайві поля, бекенд падає.
• Ігнорування parallel_tool_calls → latency вище в 2-3 рази.
• Немає fallback на оператора після N помилок → клієнт іде.
• Не валідуються аргументи за допомогою Pydantic → 15% викликів повертаються з помилкою.

Ми гарантуємо стабільну, швидку та безпечну систему. Довіртеся досвіду 5+ років у production AI.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.