Tool use — Hvordan LLM'er kalder eksterne funktioner og APIs

Tool use — også kaldet function calling — er mekanismen der lader en LLM interagere med verden uden for sig selv. I stedet for blot at generere tekst kan modellen returnere et struktureret kald til en ekstern funktion, vente på resultatet og fortsætte ræsonnementet baseret på det.

Flowet: du definerer tilgængelige tools (funktionssignaturer med navn, beskrivelse og parametre). Modellen beslutte baseret på kontekst, om og hvornår den vil kalde et tool. Den returnerer et struktureret kald med argumenter. Applikationen udfører funktionen og returnerer resultatet. Modellen fortsætter konversationen med resultatet som ny kontekst.

Hvad tools muliggør

Uden tool use er en LLM begrænset til sin træningsviden og kontekstvinduet. Med tools kan den:

• Søge i realtid: Hente aktuelle nyheder, Ahrefs-data, Google Search Console-metrics
• Udføre kode: Python, JavaScript, bash-kommandoer med reelle output
• Skrive til databaser: Opdatere CMS, logge data, trigge workflows
• Kalde APIs: Sende beskeder, hente vejrdata, interagere med tredjepartsservices
• Læse og skrive filer: Analysere dokumenter, generere og gemme output

Tool-design er prompt engineering

Beskrivelsen af et tool er afgørende for om modellen bruger det korrekt. En dårlig beskrivelse resulterer i forkerte argumenter eller forkert timing af tool-kaldet. God tool-design er en færdighed analog til prompt engineering — klare beskrivelser, tydelige parametre og eksempler på korrekt brug.

Tool use og sikkerhed

Tool use udvider markant hvad en fejlende agent kan forårsage. En agent med adgang til fil-system, database og API kan gøre reel skade hvis den misfortolker en instruktion. Princippet om least privilege — giv kun adgang til de tools der er nødvendige for den specifikke opgave — er grundlæggende for ansvarlig agentic-arkitektur.