☕ Coffee Robot MCP - FunctionGemma 270M
基於 google/functiongemma-270m-it 微調的咖啡機器人外送任務 Function Calling 模型。（此為企業內部點餐 api 整合測試模型）
📋 模型描述
此模型專門針對咖啡機器人外送場景進行微調，能夠將自然語言指令轉換為結構化的 Function Call，適用於 MCP (Model Context Protocol) 整合。
主要特點
- 🎯 專注於咖啡外送任務的 Function Calling
- 🇹🇼 支援繁體中文自然語言輸入
- ⚡ 輕量化模型（270M 參數），適合邊緣部署
- 🔧 相容 MCP 協議格式
🛠️ 支援功能
Function: send_coffee
| 參數 | 類型 | 說明 | 可選值 |
|---|---|---|---|
baseDrink | string | 飲品種類 | americano, latte, oat_latte, milk |
floor | integer | 配送樓層 | 1-11 |
temperature | string | 飲品溫度 | hot, iced |
addons | array | 加購選項 | extra_espresso, paper_cup |
quantity | integer | 數量 | 1-10 |
📊 模型效能
| 指標 | 基礎模型 | 微調後模型 |
|---|---|---|
| Function Calling 準確率 | 95.95% | 100.00% |
| 提升幅度 | - | +4.05% |
訓練配置
- 訓練輪數: 3
- 學習率: 1e-05
- 有效批次大小: 16
- 訓練樣本數: 625
- 驗證樣本數: 74
💻 使用方式
基本使用
from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline
model_id = "renhehuang/functiongemma-270m-it-coffee-robot-mcp"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")
pipe = pipeline("text-generation", model=model, tokenizer=tokenizer)
tools = [
{
"type": "function",
"function": {
"name": "send_coffee",
"description": "送咖啡到指定樓層",
"parameters": {
"type": "object",
"properties": {
"baseDrink": {"type": "string", "enum": ["americano", "latte", "oat_latte", "milk"]},
"floor": {"type": "integer", "minimum": 1, "maximum": 11},
"temperature": {"type": "string", "enum": ["hot", "iced"]},
"addons": {"type": "array", "items": {"type": "string", "enum": ["extra_espresso", "paper_cup"]}},
"quantity": {"type": "integer", "minimum": 1, "maximum": 10},
},
"required": ["baseDrink", "floor", "temperature", "quantity"],
},
},
}
]
messages = [{"role": "user", "content": "幫我送一杯熱美式到五樓"}]
prompt = tokenizer.apply_chat_template(
messages,
tools=tools,
tokenize=False,
add_generation_prompt=True,
)
out = pipe(prompt, max_new_tokens=256, do_sample=False)
print(out[0]["generated_text"][len(prompt):])
輸出範例
輸入: "幫我送一杯熱美式到五樓"
輸出:
<start_function_call>call: send_coffee{baseDrink:<escape>americano<escape>, floor:<escape>5<escape>, temperature:<escape>hot<escape>, quantity:<escape>1<escape>}<end_function_call>
🔗 MCP 整合
此模型可與 MCP Server 整合，實現自動化咖啡外送流程：
# 解析 Function Call
import re
def parse_function_call(output):
pattern = r"<start_function_call>(.*?)<end_function_call>"
matches = re.findall(pattern, output, re.DOTALL)
# 解析並回傳結構化資料
return matches
⚠️ 限制與注意事項
- 領域限制: 此模型專為咖啡外送場景設計，不適用於其他 Function Calling 任務
- 語言支援: 主要支援繁體中文，其他語言效果可能不佳
- 樓層範圍: 僅支援 1-11 樓
- 飲品種類: 僅支援 4 種飲品類型
📝 引用
@misc{coffee-robot-mcp-2025,
title={Coffee Robot MCP - FunctionGemma Fine-tuned Model},
author={renhehuang},
year={2025},
publisher={Hugging Face},
url={https://huggingface.co/renhehuang/functiongemma-270m-it-coffee-robot-mcp}
}
📄 授權
本模型基於 Gemma License 授權。使用前請確認已接受 Google Gemma 的使用條款。
🙏 致謝
- Google - 提供 FunctionGemma 基礎模型
- Hugging Face - 提供模型託管與訓練工具