Phonsiri/gemma-3n-sales-agent-v1

AI Agent ผู้ช่วยขายอะไหล่รถยนต์ภาษาไทย fine-tuned จาก Gemma 3n e4b พร้อมความสามารถด้าน Tool Use / Function Calling ผ่าน XML tag format

Model Details

รายการ	รายละเอียด
Base Model	`google/gemma-3n-e4b`
Model Type	Causal Language Model (SFT)
Language	ไทย (Thai)
License	MIT
Task	Tool-Use Agent, Conversational AI

Intended Use

โมเดลนี้ออกแบบมาสำหรับงาน AI Sales Agent ในโดเมนอะไหล่รถยนต์ โดยสามารถ:

เช็คสต็อกและราคาอะไหล่
ค้นหาอะไหล่ตามหมวดหมู่
ตรวจสอบความเข้ากันได้กับรุ่นรถ
สร้างออเดอร์สั่งซื้อ

ไม่แนะนำ ให้ใช้นอกโดเมนนี้ หรือใช้กับภาษาอื่นนอกจากภาษาไทย

Tools

โมเดลถูก fine-tune ให้เรียกใช้เครื่องมือผ่าน XML tag <tool_call> และรับผลผ่าน <tool_response>

Tool	คำอธิบาย
`check_stock`	เช็คสต็อกและราคาอะไหล่
`search_parts`	ค้นหาอะไหล่ตามคำค้นและหมวดหมู่
`check_compatibility`	เช็คความเข้ากันได้กับรุ่นรถ
`create_order`	สร้างออเดอร์สั่งซื้อใหม่

Usage

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "Phonsiri/gemma-3n-sales-agent-v1"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.bfloat16, device_map="auto")

prompt = """คุณเป็น AI ผู้ช่วยขายอะไหล่รถยนต์
คุณมีเครื่องมือ (Tools) ให้ใช้งานดังนี้:
[
  {
    "name": "check_stock",
    "description": "เช็คสต็อกและราคาอะไหล่",
    "parameters": {
      "type": "object",
      "properties": {
        "part_name": {"type": "string"},
        "car_model": {"type": "string"}
      },
      "required": ["part_name"]
    }
  }
]

ถ้าต้องใช้เครื่องมือ ให้ตอบกลับด้วย XML tag: <tool_call>{"name": "...", "arguments": {...}}</tool_call>

ลูกค้า: มีผ้าเบรกหน้า Toyota Vios ไหมครับ"""

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=128)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

ตัวอย่าง Output:

<tool_call>{"name": "check_stock", "arguments": {"part_name": "ผ้าเบรกหน้า", "car_model": "Toyota Vios"}}</tool_call>

Training Data

Fine-tuned ด้วย dataset ที่สร้างขึ้นเอง ประกอบด้วยบทสนทนาหลายรูปแบบ:

Single-turn — ถาม-ตอบเดี่ยว เช่น เช็คสต็อกสินค้า
Multi-turn — สนทนาต่อเนื่อง เช่น เช็คความเข้ากัน → ดูราคา → สั่งซื้อ
Tool chaining — เรียกใช้หลาย tool ในการสนทนาเดียว

แต่ละ sample ประกอบด้วย system prompt (tools definition) + บทสนทนาลูกค้า + tool call/response cycle

Limitations

โมเดลถูก fine-tune เฉพาะโดเมนอะไหล่รถยนต์ ประสิทธิภาพอาจลดลงนอกโดเมนนี้
ออกแบบมาสำหรับภาษาไทยเป็นหลัก
Tool response ต้องอยู่ในรูปแบบ <tool_response name="..."> เท่านั้น

Citation

@misc{phonsiri2024gemma3nsalesagent,
  author    = {Phonsiri},
  title     = {gemma-3n-sales-agent-v1: Thai Auto Parts Sales Agent},
  year      = {2024},
  publisher = {Hugging Face},
  url       = {https://huggingface.co/Phonsiri/gemma-3n-sales-agent-v1}
}

Downloads last month: -; Downloads are not tracked for this model. How to track