gorilla

🦍 Gorilla：让大语言模型学会「打电话」

你有没有过这样的体验——对着 ChatGPT 说「帮我查一下北京今天的天气」，它热情洋溢地回复了一大段关于天气的重要性，但就是不肯直接调用天气预报 API。这种「有智能但不会干活」的状态，曾经是所有 AI 助手的通病。Gorilla 正是为解决这一问题而生。

一个来自伯克利的实验

Gorilla 由加州大学伯克利分校 Sky Computing Lab 的研究团队开发，核心想法简单而有力：教会大语言模型（LLM）像人类程序员一样调用 API。2023 年 5 月，团队发表了同名论文 Gorilla: Large Language Model Connected with Massive APIs，并在 GitHub 上开源了完整的训练框架、评估工具和预训练模型，一举斩获超过 12,800 颗星。

项目领头人 Shishir Patil 是伯克利计算机系的博士生，专注于 LLM 的函数调用（Function Calling）能力研究。他在 X（Twitter）上非常活跃，持续发布 Gorilla 的更新动态。Gorilla 的技术博客（gorilla.cs.berkeley.edu/blog.html）详细记录了每个版本的迭代思路。

像教新手程序员一样，教会 AI 调 API

传统 AI 助手靠 Prompt Engineering 勉强实现函数调用，效果不稳定——一旦 API 文档稍微复杂一点，模型就容易张冠李戴、参数填错。Gorilla 则另辟蹊径：

方法一：API Zoo 数据集。 团队收集了 16,000+ 真实 API 的文档描述，训练模型理解 API 的「是什么」「怎么用」「什么时候用」。相当于给 LLM 买了一本厚厚的 API 字典。

方法二：自训练技术（Self-Instruction）。 用 GPT-4 生成高质量的 API 调用示范，再让模型学习这些示范，比直接训练效果更好、幻觉更少。

方法三：检索增强。 结合 BM25 和 LlamaIndex 检索技术，当遇到陌生 API 时，让模型先「查字典」再「打电话」，大幅提升陌生场景下的泛化能力。

子项目：不止是一个模型

Gorilla 实际上是一个多工具组成的完整生态，每个子项目都有独立价值：

🔬 Berkeley Function Calling Leaderboard（BFCL） 最权威的函数调用能力排行榜。覆盖 GPT-4、Claude、Gemini、Llama 等主流模型，评估指标包括准确性、格式合规、多轮对话能力等。2025 年 7 月发布 V4 Agentic 版本，新增 Web Search 多跳推理、Agent 记忆管理评估，标志着函数调用从单轮能力进化到多轮 Agent 协作。

🛠️ OpenFunctions v2 7B 参数的开源模型，在 Apache 2.0 许可证下可商用。性能与 GPT-4 持平，支持多个函数并行调用、多函数协作，是当前开源函数调用模型中的 SOTA。

📄 RAFT（Retrieval Augmented Fine-Tuning） 将 RAG 和模型微调结合的 recipes。用户只需上传一份领域文档，RAFT 自动生成问答对，用于微调模型。已与微软 Azure AI Studio 集成。

⚡ GoEx（Execution Engine） Powered by LLMs 的 API 执行引擎。与传统函数调用不同，GoEx 让 LLM 直接生成并执行代码来调用 API，通过反向调用（Reverse Call）机制确保执行安全。支持 RESTful API、数据库、文件系统、OAuth2 认证。

🏟️ Agent Arena 2024 年 10 月与 LMSYS（Chatbot Arena 的主办方）合作推出的 Agent 对战平台。基于 ELO 评分系统，覆盖搜索、金融、RAG 等任务场景。

一张图读懂 BFCL 架构

图1：BFCL 评估框架架构。 模型输入 API 描述和用户指令，输出结构化的函数调用参数。评估引擎对照标准答案判定正确性，支持单轮和多轮场景。

上手难度：需要一点折腾精神

Gorilla 的部署比普通开源工具稍复杂，主要原因是核心推理模块依赖 HuggingFace 上的 7B 模型权重，需要下载 ~14GB 文件。有 GPU 的用户（推荐 RTX 3090 或 A100，7B 模型需 14GB+ 显存）可以本地运行推理；没有 GPU 的用户可通过 API 模式调用云端模型。

纯 CLI 使用，无需 Docker 或 Web 界面。Python 3.8+、pip 安装依赖即可。BFCL 排行榜项目有 Codespaces 支持，在浏览器里点点就能跑评测。

图2：本地推理实时演示（需 GPU）。

局限与争议

Gorilla 也不是完美的。7B 参数的 OpenFunctions v2 相比 GPT-4 在复杂 API 场景下仍有差距；BFCL V4 Agentic 的评估标准较新，排行榜数据的稳定性还有待更多社区验证；此外，GoEx 的执行引擎涉及代码生成，存在被恶意 Prompt 注入的风险，官方虽加入了反向调用保护机制，但在生产环境使用前仍需谨慎评估。

为什么值得关注

Gorilla 代表了一个明确的趋势：从「会说话」到「会干活」。2024-2025 年，Function Calling 已经成为所有主流 LLM API 的标配能力，而这一切的学术起点之一，正是 Berkeley 的这个项目。

截至目前，Gorilla 仓库拥有 12,800+ Stars、1,300+ Forks、250+ Open Issues，社区活跃度高。如果你在构建 Agent 系统、RAG 流水线或需要让 AI 调用外部工具，Gorilla 的方法论、预训练模型和评估工具都值得参考。