---
base_model: google/functiongemma-270m-it
library_name: transformers
license: gemma
tags:
- function-calling
- coffee-robot
- mcp
- gemma
- tool-use
- fine-tuned
- chinese
language:
- zh
pipeline_tag: text-generation
datasets:
- custom
model-index:
- name: functiongemma-270m-it-coffee-robot-mcp
  results:
  - task:
      type: function-calling
      name: Function Calling
    dataset:
      name: Coffee Robot MCP Dataset
      type: custom
    metrics:
    - type: accuracy
      value: 1.0
      name: Accuracy
---

# ☕ 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

```python
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：

```python
# 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

1. **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
2. **語言支援**: 主要支援繁體中文，其他語言效果可能不佳
3. **樓層範圍**: 僅支援 1-11 樓
4. **飲品種類**: 僅支援 4 種飲品類型

## 📝 引用

```bibtex
@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](https://ai.google.dev/gemma/terms) 授權。使用前請確認已接受 Google Gemma 的使用條款。

## 🙏 致謝

- [Google](https://ai.google.dev/) - 提供 FunctionGemma 基礎模型
- [Hugging Face](https://huggingface.co/) - 提供模型託管與訓練工具