はじめに
Gemini とは？
Google AI Studio が提供する、最先端の大規模言語モデル (LLM) です。高度な言語処理能力を持ち、人間のような自然な文章生成、翻訳、要約など、様々なタスクをこなします。Gemini-Pro はその中でも特に高性能なモデルです。
LiteLLM とは？
複数の LLM を簡単に利用できる Python ライブラリです。LiteLLM を使うことで、Gemini を含む様々な LLM を統一的なインターフェースで呼び出すことができます。
Tool Calling とは？
LLM に外部ツールを使わせる技術です。LLM 単体ではできない計算やデータ取得などを、外部ツールに依頼することで、LLM の可能性を大きく広げます。
準備
必要なライブラリのインストール
まずは必要なライブラリをインストールしましょう。
!pip install litellm google-generativeai loguru
- litellm: 様々な LLM を利用するためのライブラリです。
- google-generativeai: Google AI Platform の API を利用するためのライブラリです。
- loguru: ログ出力を見やすくしてくれるライブラリです。
API キーの取得
Google AI Studio から API キーを取得します。API キーは、Google AI Platform のサービスを利用する際に必要となる、あなた専用の鍵のようなものです。
- Google AI Studio にアクセスします。
- 画面の指示に従って、API キーを作成します。
- 作成した API キーは、後ほどプログラム内で使用しますので、安全な場所に保管しておいてください。
Gemini-Pro を使ってみよう！
コード例
以下のコードは、LiteLLM を使って Gemini-Pro を呼び出し、「LiteLLM からこんにちは」と表示するプログラムです。
from litellm import completion
import os
# 取得した API キーを設定します
os.environ['GEMINI_API_KEY'] = "YOUR_API_KEY"
# Gemini-Pro を呼び出して、メッセージを生成します
response = completion(
model="gemini/gemini-pro",
messages=[{"role": "user", "content": "write code for saying hi from LiteLLM"}]
)
# 結果を出力します
print(response)
コード解説
-
ライブラリのインポート:
litellmとosライブラリをインポートします。 -
API キーの設定: 取得した API キーを環境変数
GEMINI_API_KEYに設定します。 -
Gemini-Pro の呼び出し:
completion関数を使って Gemini-Pro を呼び出します。-
model: 利用するモデルを指定します。ここではgemini/gemini-proを指定しています。 -
messages: LLM に送信するメッセージを指定します。ここでは、ユーザーの役割で「LiteLLM からこんにちはと表示するコードを書いて」という内容を送信しています。
-
-
結果の出力: 生成されたメッセージを
print関数で出力します。
Tool Calling を使ってみよう！
Tool Calling の仕組み
Tool Calling は、LLM に外部ツールを使わせることで、LLM 単体ではできない処理を実現する技術です。
例えば、「今日の東京の天気は？」という質問に対して、LLM 単体では最新の情報にアクセスできません。そこで、天気予報 API という外部ツールを呼び出すことで、最新の天気情報を取得し、「今日の東京の天気は晴れです」のように、適切な回答を生成することができます。
コード例
以下のコードは、Tool Calling を使って、ボストン市の現在の天気を取得するプログラムです。
# Tool Calling
from litellm import completion
from google.colab import userdata
import os
from loguru import logger
import json
from typing import Any, Dict
# モデルの応答をログ出力する関数
def log_model_response(response: Dict[str, Any]) -> None:
logger.info("ModelResponse:")
logger.info(f"ID: {response['id']}")
logger.info(f"Created: {response['created']}")
logger.info(f"Model: {response['model']}")
logger.info(f"Object: {response['object']}")
logger.info(f"System Fingerprint: {response['system_fingerprint']}")
logger.info("Usage:")
usage = response['usage']
logger.info(f" Prompt Tokens: {usage['prompt_tokens']}")
logger.info(f" Completion Tokens: {usage['completion_tokens']}")
logger.info(f" Total Tokens: {usage['total_tokens']}")
logger.info("Choices:")
for idx, choice in enumerate(response['choices']):
logger.info(f" Choice {idx}:")
logger.info(f" Finish Reason: {choice['finish_reason']}")
logger.info(f" Index: {choice['index']}")
message = choice['message']
logger.info(f" Message:")
logger.info(f" Content: {message['content']}")
logger.info(f" Role: {message['role']}")
if message['tool_calls']:
logger.info(f" Tool Calls:")
for tool_call in message['tool_calls']:
logger.info(f" Index: {tool_call['index']}")
logger.info(f" ID: {tool_call['id']}")
logger.info(f" Type: {tool_call['type']}")
logger.info(f" Function:")
logger.info(f" Name: {tool_call['function']['name']}")
logger.info(f" Arguments: {tool_call['function']['arguments']}")
# API キーの設定
os.environ["GEMINI_API_KEY"] = userdata.get('GEMINI_API_KEY')
# 利用するツールの定義
tools = [
{
"type": "function",
"function": {
"name": "get_current_weather", # ツール名
"description": "Get the current weather in a given location", # 説明
"parameters": { # パラメータ
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and state, e.g. San Francisco, CA",
},
"unit": {"type": "string", "enum": ["celsius", "fahrenheit"]},
},
"required": ["location"],
},
},
}
]
# LLMへの質問
messages = [{"role": "user", "content": "What's the weather like in Boston today?"}]
# Gemini-Pro を呼び出して、メッセージを生成します
response = completion(
model="gemini/gemini-1.5-flash",
messages=messages,
tools=tools,
)
# 結果を出力します
print(response)
log_model_response(response)
コード解説
-
ツールの定義:
tools変数に、利用するツールを定義します。-
type: ツールの種類を指定します。ここではfunctionを指定しています。 -
function: ツールの詳細情報を指定します。-
name: ツール名を指定します。ここではget_current_weatherとしています。 -
description: ツールの説明を記述します。 -
parameters: ツールが受け取るパラメータを定義します。-
type: パラメータのデータ型を指定します。 -
properties: 各パラメータの詳細情報を定義します。-
location: 都市と州を指定します。 -
unit: 温度の単位を指定します。
-
-
required: 必須パラメータを指定します。
-
-
-
-
LLMへの質問:
messages変数に、ユーザーの質問を設定します。ここでは、「ボストン市の今日の天気は？」と聞いています。 -
Gemini-Proの呼び出し:
completion関数を使って Gemini-Pro を呼び出します。-
model: 利用するモデルを指定します。ここではgemini/gemini-1.5-flashを指定しています。 -
messages: LLM に送信するメッセージを指定します。ここでは、ユーザーの役割で「ボストン市の今日の天気は？」という質問を送信しています。 -
tools: 利用するツールを指定します。
-
-
結果の出力: 生成されたメッセージを
print関数で出力します。log_model_response関数は、モデルの応答の詳細をログ出力します。
より複雑な Tool Calling を使ってみよう！
掃除ロボットを操作する例
以下のコードは、Tool Calling を使って、ルンバのような掃除ロボットを操作する例です。
tools = [
{
"type": "function",
"function": {
"name": "start_cleaning",
"description": "Start cleaning in a specified room",
"parameters": {
"type": "object",
"properties": {
"room": {
"type": "string",
"description": "The room to clean, e.g. living room, kitchen",
},
},
"required": ["room"],
},
},
},
{
"type": "function",
"function": {
"name": "stop_cleaning",
"description": "Stop the Roomba's current cleaning operation",
"parameters": {
"type": "object",
"properties": {
"confirm": {
"type": "boolean",
"description": "Confirm to stop cleaning",
},
},
"required": ["confirm"],
},
},
},
{
"type": "function",
"function": {
"name": "set_cleaning_mode",
"description": "Set the Roomba's cleaning mode",
"parameters": {
"type": "object",
"properties": {
"mode": {
"type": "string",
"enum": ["auto", "spot", "edge"],
"description": "The cleaning mode to set",
},
},
"required": ["mode"],
},
},
},
{
"type": "function",
"function": {
"name": "schedule_cleaning",
"description": "Schedule a cleaning operation",
"parameters": {
"type": "object",
"properties": {
"time": {
"type": "string",
"description": "The time to start cleaning, in HH:MM format",
},
"days": {
"type": "array",
"items": {
"type": "string",
"enum": ["Monday", "Tuesday", "Wednesday", "Thursday", "Friday", "Saturday", "Sunday"],
},
"description": "The days of the week to schedule cleaning",
},
},
"required": ["time", "days"],
},
},
},
{
"type": "function",
"function": {
"name": "get_battery_level",
"description": "Get the current battery level of the Roomba",
"parameters": {
"type": "object",
"properties": {
"format": {
"type": "string",
"enum": ["percentage", "raw"],
"description": "The format of the battery level",
},
},
"required": ["format"],
},
},
},
{
"type": "function",
"function": {
"name": "control_wheels",
"description": "Control the Roomba's wheel movements",
"parameters": {
"type": "object",
"properties": {
"direction": {
"type": "string",
"enum": ["forward", "backward", "left", "right"],
"description": "The direction to move the Roomba",
},
"duration": {
"type": "number",
"description": "The duration of the movement in seconds",
},
},
"required": ["direction", "duration"],
},
},
},
]
messages = [{"role": "user", "content": "ルンバをリビングで掃除させて、その後キッチンに移動させてください。"}]
# LLMへの指示
messages = [{"role": "user", "content": "ルンバをリビングで掃除させて、その後キッチンに移動させてください。"}]
response = completion(
model="gemini/gemini-1.5-flash",
messages=messages,
tools=tools,
)
# 結果を出力します
print(response)
log_model_response(response)
コード解説
このコードでは、掃除ロボットを操作するための複数のツールを定義しています。
-
start_cleaning: 指定された部屋の掃除を開始します。 -
stop_cleaning: 掃除を停止します。 -
set_cleaning_mode: 掃除モードを設定します。 -
schedule_cleaning: 掃除のスケジュールを設定します。 -
get_battery_level: バッテリー残量を取得します。 -
control_wheels: 車輪を制御します。
これらのツールを組み合わせることで、LLM はユーザーの複雑な指示を理解し、掃除ロボットを思い通りに操作することができます。
まとめ
この記事では、LiteLLM を使った Gemini の基本的な使い方と、Tool Calling の活用方法について解説しました。Tool Calling を使うことで、LLM の可能性は大きく広がります。ぜひ、あなたのアイデアを活かして、LLM を使った新しいアプリケーション開発に挑戦してみてください！
📒ノートブック