gorilla

让大模型学会精准调用API,连接真实世界工具

开源 🏷️定价信息待确认 ✅ 目前可打开 对话助手 🍴 复刻 1422 🐛 待处理 301 👀 关注 90
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 13065
维护状态 较活跃
是否开源 开源
定价模式 🏷️定价信息待确认

项目预览

gorilla 项目界面预览图
图片来源:GitHub 官方仓库名片

项目数据

分类对话助手
开发团队ShishirPatil
定价模式🏷️定价信息待确认
价格说明定价信息待确认
访问状态✅ 目前可打开
是否开源是
开源协议Apache-2.0
主要语言Python
技术栈/模型api,api-documentation,chatgpt,claude-api,gpt-4-api,llm,openai-api,openai-functions
GitHub 星标★ 13065
上线时间2023-05-19 00:00:00
代码更新2026-10-17
仓库体积370.8 MB
本站数据更新2026-11-09
维护状态较活跃
收录时间2026-08-09
浏览次数7

项目介绍

Gorilla 是一个专注于训练和评估大语言模型(LLM)函数调用(工具调用)能力的开源项目。它解决的核心问题是让 LLM 能够准确理解用户意图,并从大量 API 文档中检索和生成正确的函数调用,从而连接外部工具和数据库。项目提供了高质量的 Gorilla 数据集(涵盖 Hugging Face、TorchHub、TensorFlow Hub 等数千个 API),并提出了基于检索的微调方法(APIGen),显著提升了模型在函数调用上的准确性和鲁棒性。同时,项目还包含评估基准(Berkeley Function Calling Leaderboard),用于衡量模型在真实场景下的工具调用表现。其核心能力包括:构建大规模 API 调用数据集、微调专用模型(如 Gorilla-7B)、以及提供标准化的评估流程,帮助开发者构建更可靠的 AI 代理。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整

数据来源:GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 13065

使用教程

ℹ 本教程由 AI 依据该项目 README 整理,个别步骤可能需要按你的环境微调。

难度:入门 约 10 分钟 部署方式:命令行工具 5 步

环境要求

  • 已安装 Python 与 pip(README 未指定版本)
  • 可访问 GitHub 与 PyPI 的网络环境
  • 如需本地推理,需克隆完整仓库并参考 inference 目录说明
  • 调用 OpenFunctions 演示服务需要能访问该服务地址

安装与启动步骤

  1. 1安装 Gorilla CLI

    README 称这是最快的上手方式,用 pip 安装 Gorilla 命令行工具,建议在虚拟环境中执行以免污染全局环境。

    pip install gorilla-cli
  2. 2试用 CLI 生成

    用自然语言描述需求,交给 Gorilla CLI 执行。README 示例是把 100 个随机字符写入 test.txt 文件。

    gorilla generate 100 random characters into a file called test.txt
  3. 3克隆 Gorilla 仓库

    想本地跑 Gorilla 先拉取源码,README 给出的仓库地址为 ShishirPatil/gorilla。

    git clone https://github.com/ShishirPatil/gorilla.git
  4. 4进入推理目录

    克隆完成后进入 inference 目录,README 在此指向本地部署的详细说明文档,后续步骤需按该文档继续。

    cd gorilla/inference
  5. 5调用 OpenFunctions

    用 OpenAI SDK 把接口地址指向项目提供的演示服务。注意 README 只给出这两行,后续调用代码被截断,需自行补全。

    import openai
    
    openai.api_key = "EMPTY"
    openai.api_base = "http://luigi.millennium.berkeley.edu:8000/v1"

关键配置

配置项必填说明示例
api_key否OpenAI 兼容接口的密钥,演示服务固定填 EMPTYEMPTY
api_base是OpenFunctions 演示服务的接口地址http://luigi.millennium.berkeley.edu:8000/v1

如何确认成功

执行 gorilla generate 后当前目录出现 test.txt,即说明 CLI 安装成功可用。

常见问题

Q:不想本地安装,能直接体验吗?

A:可以。README 提供 Gorilla Colab Demo、Gradio 网页 Demo 以及 OpenFunctions 在线 Demo,浏览器打开即可试用,无需配置本地环境。

Q:本地运行 Gorilla 的完整步骤在哪?

A:README 指向 /gorilla/inference/README.md,依赖安装与模型下载都在该文档中,本页只覆盖克隆仓库和进入 inference 目录这两步。

Q:OpenFunctions 的代码示例为什么不完整?

A:README 节选中只保留了 api_key 与 api_base 两行,缺少后续的调用与补全代码,请以官方文档或仓库内示例为准。

Q:怎么对比不同模型的函数调用能力?

A:使用 Berkeley Function Calling Leaderboard,README 同时给出在线榜单链接和本地评估脚本目录,可自行跑评测。

注意事项

  • README 未给出 Python 版本、依赖清单和端口信息,安装前请先确认本机已有 Python 与 pip。
  • pip 安装的 gorilla-cli 是独立 CLI 项目,与克隆仓库后的本地推理不是同一套流程,不要混用。
  • 示例中的模型服务地址是公共演示服务,稳定性不保证,生产使用需自行部署模型服务。

核心亮点

  • 提供大规模高质量API调用数据集,覆盖数千个真实API,训练数据扎实
  • 提出APIGen检索微调方法,显著提升函数调用准确率,优于GPT-4
  • 配套Berkeley函数调用排行榜,可客观对比不同模型的工具调用能力

不足之处

  • 项目主要聚焦于API调用场景,对非工具类对话能力覆盖有限
  • 文档偏学术化,社区互动和快速上手指南相对薄弱

适用场景

  • 构建能自主调用外部API的AI助手或智能体
  • 在RAG系统中增强模型对结构化工具的选择与参数生成
  • 评估和比较不同LLM在函数调用任务上的表现

替代项目

Toolformer、ToolLLM、OpenFunctions

上一篇:TextRL

下一篇:Dreambooth-Stable-Diffusion

同类项目推荐

RLCSD 开源

用对比自蒸馏强化 RL 训练,让策略更稳更高效

Source code of paper "RLCSD: Reinforcement Learning with Contrastive On-Policy Self-···

★ 116 2026-08-09
hyper-parallel 开源

让大模型训练任务贴着超节点跑,减少跨域通信损耗

A SuperPod-Affinity Training Acceleration Framework.

★ 139 2026-11-02
FedKTL 开源

用服务端预训练生成器,让异构联邦学习上传更少、效果更好。

CVPR 2024 accepted paper, An Upload-Efficient Scheme for Transferring Knowledge From···

★ 69 2026-08-09
BlaGPT 开源

小数据集上快速对比语言模型架构与技巧

Experimental playground for benchmarking language model (LM) architectures, layers, ···

★ 118 2026-08-09
amazon-sagemaker-examples 开源

照着跑一遍,轻松上手 AWS 机器学习全流程

Example Jupyter notebooks that demonstrate how to build, train, and deploy machine ···

★ 11003 2026-08-09
self-refine 开源

让大模型自己挑错改错,越改越好

LLMs can generate feedback on their work, use it to improve the output, and repeat t···

★ 849 2026-08-09
dpm-solver 开源

10步内完成扩散模型采样,图像生成提速数倍

Official code for "DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model S···

★ 1860 2026-08-09
OneGen 开源

一次前向传播,边生成边检索,让 LLM 知识问答更快更准。

[EMNLP 2024] OneGen: Efficient One-Pass Unified Generation and Retrieval for LLMs.

★ 149 2026-08-09
LongCodeZip 开源

压缩长代码上下文,让模型轻松处理超长代码

LongCodeZip: Compress Long Context for Code Language Models [ASE2025]

★ 169 2026-08-09