คุณเคยเจอสถานการณ์แบบนี้ไหม? ระบบของคุณต้องดึงข้อมูลจากหลายแหล่งพร้อมกัน เช่น สภาพอากาศ ราคาหุ้น และข่าวสาร แต่ต้องรอให้แต่ละ API ทำงานเสร็จทีละตัว ทำให้ผู้ใช้ต้องรอนานเกินไป วันนี้เราจะมาแก้ปัญหานี้ด้วย Parallel Function Calling

ทำความเข้าใจ Parallel Function Calling

Parallel Function Calling คือความสามารถของ LLM ที่ช่วยให้โมเดลสามารถเรียกใช้ฟังก์ชันหลายตัวพร้อมกันในการตอบกลับครั้งเดียว แทนที่จะต้องรอให้ฟังก์ชันหนึ่งเสร็จก่อนแล้วค่อยเรียกตัวถัดไป วิธีนี้ช่วยลดเวลาในการประมวลผลลงอย่างมาก โดยเฉพาะเมื่อฟังก์ชันแต่ละตัวใช้เวลาประมวลผลนาน

การตั้งค่า Environment

ก่อนเริ่มต้น ต้องตั้งค่า Environment Variable สำหรับ HolySheep AI ก่อน โดยคุณสามารถสมัครที่นี่เพื่อรับ API Key ได้เลย

# ตั้งค่า Environment Variable
export HOLYSHEEP_API_KEY="YOUR_HOLYSHEEP_API_KEY"
export HOLYSHEEP_BASE_URL="https://api.holysheep.ai/v1"

ตัวอย่างการใช้งาน Parallel Function Calling

มาเริ่มต้นด้วยการสร้าง Client และกำหนดฟังก์ชันที่ต้องการเรียกใช้แบบขนาน ในตัวอย่างนี้เราจะสร้างระบบที่ดึงข้อมูลหุ้น สภาพอากาศ และข่าวสารพร้อมกัน

import os
from openai import OpenAI


ตั้งค่า Client สำหรับ HolySheheep AI

client = OpenAI(
    api_key=os.environ.get("HOLYSHEEP_API_KEY"),
    base_url="https://api.holysheep.ai/v1"
)


กำหนดรายชื่อฟังก์ชันที่ต้องการใช้งาน

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_stock_price",
            "description": "ดึงข้อมูลราคาหุ้นของบริษัท",
            "parameters": {
                "type": "object",
                "properties": {
                    "symbol": {"type": "string", "description": "สัญลักษณ์หุ้น เช่น AAPL, GOOGL"}
                },
                "required": ["symbol"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "ดึงข้อมูลสภาพอากาศปัจจุบัน",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string", "description": "ชื่อเมืองที่ต้องการทราบสภาพอากาศ"}
                },
                "required": ["location"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "get_news",
            "description": "ดึงข้อมูลข่าวสารล่าสุด",
            "parameters": {
                "type": "object",
                "properties": {
                    "category": {"type": "string", "description": "หมวดหมู่ข่าว เช่น technology, business"}
                },
                "required": ["category"]
            }
        }
    }
]


ส่งคำถามที่ต้องการข้อมูลหลายอย่างพร้อมกัน

messages = [
    {"role": "user", "content": "บอกข้อมูลราคาหุ้น GOOGL สภาพอากาศที่กรุงเทพ และข่าวเทคโนโลยีล่าสุดมาเลย"}
]

response = client.chat.completions.create(
    model="gpt-4.1",
    messages=messages,
    tools=tools,
    parallel_tool_calls=True  # เปิดใช้งาน Parallel Function Calling
)

print("สถานะการตอบกลับ:", response.choices[0].finish_reason)

จากโค้ดด้านบน คุณจะเห็นว่าเราใช้พารามิเตอร์ parallel_tool_calls=True เพื่อเปิดใช้งานการเรียกฟังก์ชันแบบขนาน LLM จะวิเคราะห์คำถามและเรียกใช้ฟังก์ชันทั้งสามตัวพร้อมกันในการตอบกลับครั้งเดียว

การประมวลผลผลลัพธ์จากฟังก์ชันหลายตัว

เมื่อ LLM เรียกใช้ฟังก์ชันหลายตัว เราต้องประมวลผลผลลัพธ์ทั้งหมดกลับมาหา LLM เพื่อสร้างคำตอบสุดท้าย

# ฟังก์ชันจำลองการเรียก API ภายนอก
def call_external_function(name, args):
    """ฟังก์ชันจำลองการเรียก API ภายนอก"""
    if name == "get_stock_price":
        return {"symbol": args["symbol"], "price": 142.50, "change": "+2.3%"}
    elif name == "get_weather":
        return {"location": args["location"], "temp": 32, "condition": "แดดจัด"}
    elif name == "get_news":
        return {"category": args["category"], "headlines": ["AI สร้างความฮือฮา", "เทคโนโลยีใหม่เปิดตัว"]}
    return {}


ประมวลผล tool_calls ที่ได้รับ

tool_calls = response.choices[0].message.tool_calls
tool_results = []

for tool_call in tool_calls:
    function_name = tool_call.function.name
    arguments = eval(tool_call.function.arguments)  # แปลง JSON string เป็น dict
    result = call_external_function(function_name, arguments)
    
    tool_results.append({
        "tool_call_id": tool_call.id,
        "role": "tool",
        "name": function_name,
        "content": str(result)
    })


เพิ่มผลลัพธ์ทั้งหมดเข้าไปใน messages เพื่อสร้างคำตอบสุดท้าย

messages.append(response.choices[0].message)
messages.extend(tool_results)


สร้างคำตอบสุดท้ายจากผลลัพธ์ทั้งหมด

final_response = client.chat.completions.create(
    model="gpt-4.1",
    messages=messages
)

print("คำตอบสุดท้าย:", final_response.choices[0].message.content)

ข้อดีของวิธีนี้คือทุกฟังก์ชันทำงานพร้อมกัน ทำให้เวลารอลดลงจากการรอทีละฟังก์ชัน (เช่น 3 วินาที) เหลือเพียงเวลาของฟังก์ชันที่ช้าที่สุด (เช่น 1 วินาที) เท่านั้น

ข้อผิดพลาดที่พบบ่อยและวิธีแก้ไข