基于AI 的 ChatGPT 提供准确的天气预报和分析
天气预报是一项具有挑战性的任务，需要复杂的模型、大量的数据和强大的计算能力。 传统方法依赖于大气和海洋的数值模拟，这些模拟通常不准确或不完整。 此外，这些方法对用户来说不是很友好，因为它们会产生难以解释或交流的复杂输出。
一种新的天气预报方法是使用人工智能 (AI) 生成对天气状况和趋势的自然语言描述。 ChatGPT 是最先进的人工智能系统，它使用深度神经网络从大量文本中学习，并生成关于各种主题的连贯且相关的文本。 ChatGPT 还可以通过对话的方式与用户互动，回答问题并提供建议。
ChatGPT 的应用之一是天气预报和分析。 ChatGPT 可以访问来自各种来源的实时天气数据，并针对世界上任何地点的当前和未来天气状况生成简明且信息丰富的摘要。 ChatGPT还可以详细解释天气现象的前因后果，如降水、温度、风、气压、湿度等。ChatGPT还可以比较不同地点和时间段的天气情况，突出异同。
OpenAI 今天发布几个重磅更新
1、 开放 16k 上下文的 GPT-3.5-Turbo 模型（gpt-3.5-turbo-16k），是目前的4倍 2、 新的 GPT-4 和 3.5 Turbo 模型 3、Chat Completions API 中的新增加函数调用功能 （实时获取网络数据成为可能） 4、embeddings模型的成本降低75% 5、gpt-3.5-turbo的输入token成本降低了25% （开发者的福音）
其中最令人兴奋的功能应该当属函数调用功能，我们都知道ChatGPT训练的数据是基于2021年之前的，你要问一些实时性相关的问题就没法回答你了，而函数调用让实时获取网络数据成为可能，比如查询天气预报、查股票、推荐个近期的电影之类的。
哪些模型支持函数调用？
gpt-3.5-turbo-0613 和 gpt-4-0613 这两个模型都支持函数调用。
函数调用的流程是什么？
1、用户发起提问时，调用一次带有函数描述的completions接口，gpt会判断是否支持调用函数，如果可以就从用户的提问信息中提取出函数所需要的参数。 2、开发者拿到gpt提取出来的参数后自行调用函数并返回结果 3、将函数的返回结果再次发给GPT做总结归纳为自然语言
需要注意的地方：
- 整个过程gpt会执行两次，第一次调用从问题中提取函数参数，第二次对函数返回结果做归纳总结
- 函数调用并不是由gpt调用，而是开发者来调用
举个真实例子
这里我以实时获取天气预报为例子演示函数调用的流程，天气预报接口我用的第三方高德API，免费，每天几千次的调用额度。申请注册流程这里省略，自行研究。
＃ 获取天气函数
def get_weather(city_name: str):
url = "https://restapi.amap.com/v3/weather/weatherInfo?"
params = {"key": "替换成你自己的key",
"city": "110000"}
city_code = "110000"
for city in CITIES:
if city_name in city.get("city"):
city_code = city.get("adcode")
break
params["city"] = city_code
response = requests.get(url=url, params=params)
# 返回结果：
# {"count": "1",
# "info": "OK",
# "infocode": "10000",
# "lives": [{"adcode": "440300",
# "city": "深圳市",
# "humidity": "81",
# "humidity_float": "81.0",
# "province": "广东",
# "reporttime": "2023-06-14 15:00:43",
# "temperature": "29",
# "temperature_float": "29.0",
# "weather": "大雨",
# "winddirection": "西南",
# "windpower": "≤3"}],
# "status": "1"}
return response.json().get("lives")[0] 这个函数就是用来查询天气情况的，参数 city_name 是城市的名字，因为高德API只支持通过城市代码查天气，所以我这里做了一次根据城市名找到对应编码的查询
接口返回的结果中包含有温度（temperature）、风度（windpower）、风向（winddirection）、湿度（humidity）、天气（weather）等字段信息。
天气函数准备好后，用户开始提问：“深圳天气如何？“， 第一次调用｀ChatCompletion｀接口。
response = openai.ChatCompletion.create(
model="gpt-3.5-turbo-0613",
messages=[{"role": "user", "content": "深圳天气如何？"}],
functions=[
{
"name": "get_weather",
"description": "获取指定地区的当前天气情况",
"parameters": {
"type": "object",
"properties": {
"city_name": {
"type": "string",
"description": "城市，例如：深圳",
},
},
"required": ["city_name"],
},
}
],
function_call="auto",
) 这里我们指定了一个functions 参数，该参数描述了函数的名字以及参数类型，比如我们这里定义了city_name的参数，gpt 就会从用户问题中提取出city_name。
response的返回结果是：
"choices": [
{
"finish_reason": "function_call",
"index": 0,
"message": {
"content": null,
"function_call": {
"arguments": "{\n \"city_name\": \"\u6df1\u5733\"\n}",
"name": "get_weather"
},
"role": "assistant"
}
}
], gpt 给我们返回的message中有function_call 字段，而且 arguments 里面提取了city_name这个字段的值。
第二步：从返回结果中提取参数后调用函数， 这个过程不是交给gpt处理，而是由开发者自己调用该函数，gpt做的事情是把函数需要的参数提取出来。
message = response["choices"][0]["message"]
function_call = message.get("function_call")
if function_call:
arguments = function_call.get("arguments")
arguments = json.loads(arguments)
function_response = get_weather(
city_name=arguments.get("city_name"),
)
function_response = json.dumps(function_response) 注意，这里要将函数调用返回的结果做一些json转换
第三交步：把返回结果给gpt做总结归纳
second_response = openai.ChatCompletion.create(
model="gpt-3.5-turbo-0613",
messages=[
{"role": "user", "content": "深圳今天的天气?"},
message,
{
"role": "function",
"name": "get_weather",
"content": function_response,
},
],
)
return second_response 注意messages列表中最后一条消息中role角色是 function， 最后得到的结果second_response中的content内容为：
content: 深圳今天的天气是大雨，气温为25℃，风向是西北风，风力为3级，湿度为95%。
最后，我们把逻辑集成到我们微信中得到的效果是这样的：
评论