使用LLaMA-Factory微调大模型的function calling能力

发布时间：2025-08-10 10:29:49编辑：Run阅读（179）

引言：

Agent（智能体）是当今 LLM（大模型）应用的热门话题[1]，通过任务分解（task planning）、工具调用（tool using）和多智能体协作（multi-agent cooperation）等途径，LLM Agent 有望突破传统语言模型能力界限，体现出更强的智能水平。在这之中，调用外部工具解决问题成为 LLM Agent 必不可缺的一项技能，模型根据用户问题从工具列表中选择恰当的工具，同时生成工具调用参数，综合工具返回结果和上下文信息总结出答案。通过调用外部工具，LLM 能够获取到实时、准确的知识，大大降低了生成中的幻觉（hallucination）现象，使 LLM 的任务解决能力得到长足的提升。工具调用能力的获得离不开模型微调，尽管使用 ReAct 提示或其他预训练模型也能实现类似效果，但对于定制化或更加广泛的工具，对模型做进一步微调能有效地提升工具使用能力。本文将会使用 LLaMA Factory 的 Agent Tuning 功能训练出自己专属的 LLM Agent。

如何使用大模型的函数调用（function calling）功能，这样就能让大模型调用成千上万的工具API，赋予大模型更多的外部知识，使得大模型能力变得更加强大。




训练框架：

LLaMA Factory 是一个涵盖预训练、指令微调到 RLHF 阶段的开源全栈大模型微调框架，具备高效、易用、可扩展的优点，配备有零代码可视化的一站式网页微调界面 LLaMA Board。




模型与数据：

基座模型选择的是：通义千问3-4B， 数据集可以在HuggingFace找到function calling相关的数据集，盖数据集包含用户(human)、模型（gpt）、工具调用（function_call）和工具调用结果（observation）四种不同角色，以及工具列表(tools)字段。下面是数据集中的一个样本示例：

{
  "conversations": [
    {
      "from": "human",
      "value": "I saw a dress that I liked. It was originally priced at $200 but it's on sale for 20% off. Can you tell me how much it will cost after the discount?"
    },
    {
      "from": "function_call",
      "value": "{\"name\": \"calculate_discount\", \"arguments\": {\"original_price\": 200, \"discount_percentage\": 20}}"
    },
    {
      "from": "observation",
      "value": "{\"discounted_price\": 160}"
    },
    {
      "from": "gpt",
      "value": "The dress will cost you $160 after the 20% discount."
    }
  ],
  "tools": "[{\"name\": \"calculate_discount\", \"description\": \"Calculate the discounted price\", \"parameters\": {\"type\": \"object\", \"properties\": {\"original_price\": {\"type\": \"number\", \"description\": \"The original price of the item\"}, \"discount_percentage\": {\"type\": \"number\", \"description\": \"The percentage of discount\"}}, \"required\": [\"original_price\", \"discount_percentage\"]}}]"
}

模型下载：git clone https://www.modelscope.cn/Qwen/Qwen3-4B.git



数据集下载：


https://huggingface.co/datasets/llamafactory/glaive_toolcall_zh

https://huggingface.co/datasets/llamafactory/alpaca_gpt4_zh

https://huggingface.co/datasets/SDUIRLab/fuzi-mingcha-v1_0-data/blob/main/oaast_sft_zh.json






环境准备:

LLaMA Factory的环境搭建参考文章:

LLaMA Factory本地部署https://py3study.com/Article/details/id/20107.html




训练流程：

1 启动LLaMA-Factory webui,执行命令：llamafactory-cli webui



2 打开浏览器，在地址栏输入 http://127.0.0.1:7860/  进入 LLaMA Board






3 输入本地下载模型的路径，选择模型



4 选择加速方式：点击高级设置-加速方式提升训练速度，其中 Flash Attention-2[9]可提升至 120% 左右的速度，Unsloth可提升至 170% 左右的速度。



5 点击数据集，选择此次要使用的三个数据集 glaive_toolcall、alpaca_gpt4_zh 和 oaast_sft_zh，如果数据集下拉框为空白，请检查数据路径是否正确。选择后点击预览数据集按钮可预览数据集.

创建数据集配置文件，内容如下：

vim /home/sam_admin/LLaMA-Factory/web_dataset/dataset_info.json

{
"glaive_toolcall_zh_1k": {
  "file_name": "glaive_toolcall_zh_1k.json",
  "formatting": "sharegpt",
  "columns": {
  "messages": "conversations",
     "tools": "tools"
   }
 },
"alpaca_gpt4_data_zh": {
   "file_name": "alpaca_gpt4_data_zh.json"
  },
"oaast_sft_zh":{
  "file_name": "oaast_sft_zh.json",
  "instruction": "用户指令（必填）",
  "input": "用户输入（选填）",
  "output": "模型回答（必填）",
  "system": "系统提示词（选填）",
  "history": [
      ["第一轮指令（选填）", "第一轮回答（选填）"],
      ["第二轮指令（选填）", "第二轮回答（选填）"]
    ]
 }
}

配置数据路径，选择数据集，点击预览数据集：




成功显示了数据则表示配置成功了，反之失败检测数据集路径是否正确。



6 训练参数设置：学习率：5e-5， 训练轮数：2.0，最大梯度范数：1.0，最大样本数：10000，计算类型：bf16，截断长度：2048，批处理大小：2，梯度累积：8，验证集比例：0.05，其它参数默认即可。



7 配置SwanLab，SwanLab 是一个开源的训练跟踪与可视化工具，执行命令查看SwanLab是否登录

swanlab login





8 配置模型训练后的存放目录，输出目录设置为qwen3_agent_model，训练后的模型文件会保存在这个目录中。点击预览命令按钮可以看到当前配置对应的命令行脚本。



训练参数：


llamafactory-cli train \
    --stage sft \
    --do_train True \
    --model_name_or_path /home/sam_admin/LLaMA-Factory/models/Qwen3-4B \
    --preprocessing_num_workers 16 \
    --finetuning_type lora \
    --template qwen3 \
    --flash_attn auto \
    --dataset_dir /home/sam_admin/dataset/function_calling_dataset \
    --dataset glaive_toolcall_zh_1k,alpaca_gpt4_data_zh,oaast_sft_zh \
    --cutoff_len 2048 \
    --learning_rate 5e-05 \
    --num_train_epochs 2.0 \
    --max_samples 10000 \
    --per_device_train_batch_size 2 \
    --gradient_accumulation_steps 8 \
    --lr_scheduler_type cosine \
    --max_grad_norm 1.0 \
    --logging_steps 5 \
    --save_steps 100 \
    --warmup_steps 0 \
    --packing False \
    --enable_thinking True \
    --report_to none \
    --use_swanlab True \
    --output_dir /home/sam_admin/qwen3_agent_model \
    --bf16 True \
    --plot_loss True \
    --trust_remote_code True \
    --ddp_timeout 180000000 \
    --include_num_input_tokens_seen True \
    --optim adamw_torch \
    --lora_rank 8 \
    --lora_alpha 16 \
    --lora_dropout 0 \
    --lora_target all \
    --swanlab_project function_calling_Agent \
    --swanlab_mode cloud \
    --val_size 0.05 \
    --eval_strategy steps \
    --eval_steps 100 \
    --per_device_eval_batch_size 2

9 点击开始按钮启动模型训练，训练日志和损失变化图会实时展现在页面中，此时可以自由关闭或刷新网页.






模型部署：

切换到 Export 栏，选择最大分块大小为 2GB，填写导出目录为  /home/sam_admin/qwen3_agent_4b，点击开始导出按钮，将 LoRA 权重合并到模型中，同时保存完整模型文件，保存后的模型可以通过 transformers 等直接加载。






基础模型和 LoRA微调后的适配器合并并导出为可直接使用的模型：

将模型转换为GGUF格式

python /home/sam_admin/llama.cpp/convert_hf_to_gguf.py /home/sam_admin/qwen3_agent_4b --outtype f16



使用ollama本地部署模型

修改modelfile文件, from后面添加gguf的路径

vim /home/sam_admin/qwen3_agent_4b/Modelfile

# ollama modelfile auto-generated by llamafactory

FROM /home/sam_admin/qwen3_agent_4b/Qwen3_Agent_4B-4.0B-F16.gguf

TEMPLATE """{{ if .System }}<|im_start|>system
{{ .System }}<|im_end|>
{{ end }}{{ range .Messages }}{{ if eq .Role "user" }}<|im_start|>user
{{ .Content }}<|im_end|>
<|im_start|>assistant
{{ else if eq .Role "assistant" }}{{ .Content }}<|im_end|>
{{ end }}{{ end }}"""

PARAMETER stop "<|im_end|>"
PARAMETER num_ctx 4096

将刚刚导出好的 GGUF 文件给定Ollama进行注册（注意这里指定的是Modelfile文件，而不是GGUF文件）：

ollama create qwen3_agent  -f /home/sam_admin/qwen3_agent_4b/Modelfile



列出ollama所有的模型：

ollama list



运行注册的模型（微调后的模型qwen3_agent_4b）

ollama run qwen3_agent




模型测试

测试微调后的大模型的function calling的能力。

找了三个API工具来进行测试，它们的作用分别为生活垃圾分类，邮政编码查询，歌曲信息查询。

代码如下：

import json
from openai import OpenAI
import requests

base_url = "http://127.0.0.1:11434/v1"
api_key = 'api_key'
model = "qwen3_agent:latest"

def get_rubbish_category(keyword):
    url = f"https://api.timelessq.com/garbage?keyword={keyword}"
    response = requests.request("GET", url)
    output_str_list = []
    for item in response.json()['data']['data']:
        output_str_list.append(f"{item['name']}: {item['category']}")
    return '\n'.join(output_str_list)


def get_song_information(keyword):
    url = f"https://api.timelessq.com/music/tencent/search?keyword={keyword}"
    response = requests.request("GET", url)
    song_infor = response.json()['data']['list'][0]
    singer = '' if not song_infor['singer'] else song_infor['singer'][0]['name']
    return f"歌曲: {keyword}\n歌手: {singer}\n时长: {song_infor['interval']}秒\n专辑名称: {song_infor['albumname']}"


def get_cartoon_information(title):
    url = f"https://api.timelessq.com/bangumi?title={title}"
    response = requests.request("GET", url)
    data = response.json()['data'][0]
    return f"标题: {data['title']}\n类型：{data['type']}\n语言：{data['lang']}\n出品方：{data['officialSite']}\n上映时间：{data['begin']}\n完结事件：{data['end']}"


tool_map = {"get_rubbish_category": get_rubbish_category,
            "get_song_information": get_song_information,
            "get_cartoon_information": get_cartoon_information}


if __name__ == '__main__':
    client = OpenAI(
        base_url='http://localhost:11434/v1',
        api_key='ollama',
    )
    tools = [
        {
            "type": "function",
            "function": {
                            "name": "get_rubbish_category",
                            "description": "适用于生活垃圾分类时，判断物品属于哪种类型的垃圾？",
                            "parameters": {
                                "type": "object",
                                "properties": {
                                    "keyword": {
                                        "type": "string",
                                        "description": "物品名称，用于垃圾分类",
                                    },
                                },
                                "required": ["keyword"],
                            }
                        }
        },
        {
            "type": "function",
            "function": {
                            "name": "get_cartoon_information",
                            "description": "根据用户提供的动漫标题，查询该动漫的相关信息。",
                            "parameters": {
                                "type": "object",
                                "properties": {
                                    "title": {
                                        "type": "string",
                                        "description": "动漫",
                                    },
                                },
                                "required": ["title"],
                            }
                        }
        },
        {
            "type": "function",
            "function": {
                            "name": "get_song_information",
                            "description": "根据用户提供的歌曲名称，查询歌曲相关信息，包括歌手、时长、专辑名称等。",
                            "parameters": {
                                "type": "object",
                                "properties": {
                                    "keyword": {
                                        "type": "string",
                                        "description": "歌曲名称",
                                    },
                                },
                                "required": ["keyword"],
                            }
                        }
        }
    ]
    messages = []
    messages.append({"role": "system", "content": "你是一个有用的小助手，请调用下面的工具来回答用户的问题，参考工具输出进行回答。"})
    messages.append({"role": "user", "content": "鸡蛋壳属于哪种类型的垃圾？"})
    # messages.append({"role": "user", "content": "爱在西元前是谁唱的，来自哪张专辑？"})
    # messages.append({"role": "user", "content": "动漫《棋魂》是哪个国家的，什么时候上映的？"})
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        tools=tools
    )
    tool_call = response.choices[0].message.tool_calls[0].function
    name, arguments = tool_call.name, json.loads(tool_call.arguments)
    messages.append({"role": "function", "content": json.dumps({"name": name, "argument": arguments}, ensure_ascii=False)})
    tool_result = tool_map[name](**arguments)
    messages.append({"role": "tool", "content": "工具输出结果为: " + tool_result})
    for msg in messages:
        print('--->', msg)
    result = client.chat.completions.create(messages=messages, model=model)
    print("Answer: ", result.choices[0].message.content)

测试结果如下：

问题: 鸡蛋壳属于哪种类型的垃圾？

{'role': 'system', 'content': '你是一个有用的小助手，请调用下面的工具来回答用户的问题，参考工具输出进行回答。'}

{'role': 'user', 'content': '鸡蛋壳属于哪种类型的垃圾？'}

{'role': 'function', 'content': '{"name": "get_rubbish_category", "argument": {"keyword": "鸡蛋壳"}}'}

{'role': 'tool', 'content': '工具输出结果为: 熟鸡蛋壳: 湿垃圾\n生鸡蛋壳: 湿垃圾\n鸡蛋壳: 湿垃圾\n包裹着鸡蛋壳的餐巾纸: 干垃圾'}

Answer:  鸡蛋壳属于湿垃圾




问题：爱在西元前是谁唱的，来自哪张专辑？

{'role': 'system', 'content': '你是一个有用的小助手，请调用下面的工具来回答用户的问题，参考工具输出进行回答。'}

{'role': 'user', 'content': '爱在西元前是谁唱的，来自哪张专辑？'}

{'role': 'function', 'content': '{"name": "get_song_information", "argument": {"keyword": "爱在西元前"}}'}

{'role': 'tool', 'content': '工具输出结果为: 歌曲: 爱在西元前\n歌手: 周杰伦\n时长: 234秒\n专辑名称: 范特西'}

Answer:  歌曲《爱在西元前》的演唱者是周杰伦，来自专辑《范特西》。




问题: 动漫《棋魂》是哪个国家的，什么时候上映的？

{'role': 'system', 'content': '你是一个有用的小助手，请调用下面的工具来回答用户的问题，参考工具输出进行回答。'}

{'role': 'user', 'content': '动漫《棋魂》是哪个国家的，什么时候上映的？'}

{'role': 'function', 'content': '{"name": "get_cartoon_information", "argument": {"title": "棋魂"}}'}

{'role': 'tool', 'content': '工具输出结果为: 标题: ヒカルの碁\n类型：tv\n语言：ja\n出品方：http://www.tv-tokyo.co.jp/anime/hikaru/\n上映时间：2001-10-10T10:27:00.000Z\n完结事件：2003-03-26T10:55:00.000Z'}

Answer:  动漫《棋魂》是日本的，它于2001年10月10日上映。

关键字：