InternLM3 API 接入とツールコール機能 完全评测

私のプロジェクトでは、ECサイトのカート機能をAIツールとして実装しました。以下が具体的なコード例です。

import json
from openai import OpenAI
import os
from dotenv import load_dotenv

load_dotenv()

client = OpenAI(
    api_key=os.getenv("HOLYSHEEP_API_KEY"),
    base_url=os.getenv("HOLYSHEEP_BASE_URL")
)

ツール定義：ECカートシステム
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_product_info",
            "description": "商品の在庫と価格を取得する",
            "parameters": {
                "type": "object",
                "properties": {
                    "product_id": {
                        "type": "string",
                        "description": "商品ID（例：SKU-12345）"
                    }
                },
                "required": ["product_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "add_to_cart",
            "description": "商品をカートに追加する",
            "parameters": {
                "type": "object",
                "properties": {
                    "product_id": {"type": "string"},
                    "quantity": {"type": "integer", "minimum": 1}
                },
                "required": ["product_id", "quantity"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "calculate_shipping",
            "description": "送料を計算する（地域コードが必要です）",
            "parameters": {
                "type": "object",
                "properties": {
                    "region_code": {
                        "type": "string",
                        "enum": ["TOKYO", "OSAKA", "HOKKAIDO", "OKINAWA"]
                    }
                },
                "required": ["region_code"]
            }
        }
    }
]

ツールの実装関数
def execute_tool(function_name, arguments):
    """ツールを実行して結果を返す"""
    if function_name == "get_product_info":
        # 実際の実装ではDBや外部APIを呼ぶ
        return {"stock": 42, "price": 2980, "currency": "JPY"}
    
    elif function_name == "add_to_cart":
        return {"success": True, "cart_id": "CART-2024-001", "items": 1}
    
    elif function_name == "calculate_shipping":
        shipping_rates = {
            "TOKYO": 600, "OSAKA": 700, "HOKKAIDO": 900, "OKINAWA": 1200
        }
        return {"shipping_fee": shipping_rates.get(arguments["region_code"], 1000)}
    
    return {"error": "Unknown function"}

def cart_assistant(user_message):
    """カート操作的AIアシスタント"""
    messages = [
        {"role": "system", "content": "ECサイトのカートアシスタントです。在庫確認・カート追加・送料計算ができます。"},
        {"role": "user", "content": user_message}
    ]
    
    response = client.chat.completions.create(
        model="internlm3",
        messages=messages,
        tools=tools,
        tool_choice="auto"
    )
    
    assistant_message = response.choices[0].message
    
    # ツールコールがある場合
    if assistant_message.tool_calls:
        results = []
        for tool_call in assistant_message.tool_calls:
            func_name = tool_call.function.name
            args = json.loads(tool_call.function.arguments)
            
            print(f"Calling tool: {func_name} with args: {args}")
            result = execute_tool(func_name, args)
            results.append({"tool": func_name, "result": result})
            
            # ツール結果をassistant messageに追加
            messages.append({
                "role": "assistant",
                "tool_calls": [tool_call],
                "content": None
            })
            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": json.dumps(result)
            })
        
        # 最終応答生成
        final_response = client.chat.completions.create(
            model="internlm3",
            messages=messages,
            tools=tools
        )
        return final_response.choices[0].message.content
    
    return assistant_message.content

テスト実行
if __name__ == "__main__":
    result = cart_assistant("SKU-12345の在庫と価格を教えて。下ろしたらカートに追加して。配送は東京です。")
    print(f"\nFinal Response: {result}")

ベンチマーク比較：主要LLMのツールコール能力

この表から明らかなように、InternLM3はDeepSeek V3.2と同じ価格帯でありながら、マルチツール連携能力で優位に立っています。特に私のような個人開発者にとって、コストパフォーマンスは非常に重要な判断基準です。

企業RAGシステムへの導入例

私が担当した某製造業の問い合わせ自動応答システムでは、InternLM3のツールコール機能を活用しました。社内の技術ドキュメントDB（RAG）と連携させ、「製品仕様確認→適用規格判定→代替品提案」までを1セッションで完了させることに成功しました。

# RAG + ツールコール統合システム
def rag_tool_call_system(query, user_context):
    """
    RAG検索とツールコールを組み合わせたシステム
    """
    # ツール定義
    rag_tools = [
        {
            "type": "function",
            "function": {
                "name": "search_documents",
                "description": "社内技術ドキュメントを検索する",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "query": {"type": "string"},
                        "top_k": {"type": "integer", "default": 5}
                    }
                }
            }
        },
        {
            "type": "function",
            "function": {
                "name": "get_product_specs",
                "description": "製品仕様書を取得する",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "product_code": {"type": "string"}
                    },
                    "required": ["product_code"]
                }
            }
        },
        {
            "type": "function",
            "function": {
                "name": "create_support_ticket",
                "description": "サポートチケットを自動作成する",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "title": {"type": "string"},
                        "priority": {"type": "string", "enum": ["low", "medium", "high"]}
                    },
                    "required": ["title"]
                }
            }
        }
    ]
    
    messages = [
        {"role": "system", "content": "あなたは製造業の技術サポートAIです。"},
        {"role": "user", "content": query}
    ]
    
    response = client.chat.completions.create(
        model="internlm3",
        messages=messages,
        tools=rag_tools,
        tool_choice="auto"
    )
    
    # ツールコール処理（省略：前述のcart_assistantと同様のロジック）
    return response

向いている人・向いていない人

向いている人

• 個人開発者・スタートアップ：低コストで高性能なツールコール機能が必要な方（DeepSeek V3.2apitest済みなら、InternLM3への移行コストも低い）
• 中国市場向けサービス開発者：WeChat Pay/Alipayでの決済が必要な方
• マルチツール連携を重視するエンジニア：5工具同時実行能力を必要とする業務自動化プロジェクト
• 低レイテンシが求められるアプリケーション：リアルタイム応答が必要な客服・금융サービス

向いていない人

• 最高精度を求めるプロダクション：GPT-4.1やClaudeの精度が絶対に必要な場合は別途検討が必要
• 英語中心のプロジェクト：InternLM3は中国語・日本語最適化であり、英語特化のケースは他モデル推奨
• 複雑な推論タスク：数学的証明やコード生成のデバッグなど、深い思考過程が必要な用途

価格とROI

HolySheep AIを経由したInternLM3接入のコスト構造を検証しました。

*最小開発コスト：月間1M Tok出力 + API呼び出し100,000回想定

私のプロジェクトでも、このコスト差により年間プロジェクト予算を大幅に压缩できました。特にツールコール機能を活用した自动化业务流程では、API呼び出し回数が増加するため、レート差の效果が显著です。

HolySheepを選ぶ理由

私自身の实体験から、HolySheep AIを選んだ理由をまとめます。