この記事はもともと AI Study Room に掲載されました。動作するコード例や関連記事を含む完全版は、元の投稿をご覧ください。
ツール利用パターン：関数呼び出し、構造化ツール、多段階推論
はじめに
ツール利用、または関数呼び出しは、LLM が外部システムと相互作用できるようにします。データベースの問い合わせ、API の呼び出し、コードの実行、情報の取得などです。この機能により、LLM はテキスト生成器から自律エージェントへと変わります。本記事では、生産環境においてツール呼び出しを定義し、呼び出し、連鎖させるための主要なパターンを扱います。
ツールの定義
すべてのツールには、LLM が理解でき、アプリケーションが実行できる明確なスキーマが必要です。
from openai import OpenAI
from pydantic import BaseModel
client = OpenAI()
tools = [
{
"type": "function",
"function": {
"name": "search_documents",
"description": "キーワードで社内ドキュメントを検索します。メタデータ付きの関連する抜粋を返します。",
"parameters": {
"type": "object",
"properties": {
"query": {
"type": "string",
"description": "検索クエリです。より良い結果のために具体的な用語を使用してください",
},
"max_results": {
"type": "integer",
"description": "返す結果の数（1-20）",
"minimum": 1,
"maximum": 20,
},
"filters": {
"type": "object",
"properties": {
"date_from": {"type": "string", "format": "date"},
"department": {"type": "string"},
},
},
},
"required": ["query"],
},
},
}
]
重要な原則：説明的なパラメータ名を使い、明確な説明を付けること、適切な型の制約を設定すること、任意パラメータにはデフォルトを用意することです。LLM はこれらの説明を使って、どのツールを呼び出すか、そしてどの引数で呼び出すかを判断します。
関数呼び出しループ
標準的なパターンはループです。生成し、ツール呼び出しがないか確認し、実行し、その結果を再びフィードバックします。
def tool_use_loop(messages: list, tools: list, max_turns=10):
for turn in range(max_turns):
response = client.chat.completions.create(
model="gpt-4o",
messages=messages,
tools=tools,
tool_choice="auto",
)
message = response.choices[0].message
messages.append(message)
if not message.tool_calls:
return message.content
for tool_call in message.tool_calls:
result = execute_tool(tool_call.function.name, tool_call.function.arguments)
messages.append({
"tool_call_id": tool_call.id,
"role": "tool",
"content": str(result),
})
return "Max turns reached"
def execute_tool(name: str, args_json: str):
args = json.loads(args_json)
if name == "search_documents":
return search_documents(**args)
elif name == "calculate":
return calculate(**args)
raise ValueError(f"Unknown tool: {name}")
LLM はツール結果を新しいコンテキストとして受け取り、さらに別のツールを呼び出すべきか、最終回答を生成すべきかを判断します。
ツールによる多段階推論
複雑なタスクでは、後続の呼び出しがそれ以前の結果に依存する複数回のツール呼び出しが必要になります。
def research_workflow(topic: str):
messages = [{"role": "user", "content": f"{topic} を調査し、包括的な要約を書いてください。"}]
# Step 1: Search for information
response = client.chat.completions.create(
model="gpt-4o", messages=messages, tools=research_tools, tool_choice="auto"
)
# Execute search, get results
# Step 2: Verify facts using a different source
# Step 3: Structure the findings
# Step 4: Generate the summary
return final_summary
バリデーション付き構造化ツール
Anthropic のツール利用 API は、JSON Schema と strict モードによる構造化ツール定義をサポートしています。
import anthropic
client = anthropic.Anthropic()
response = client.messages.create(
model="claude-sonnet-4-20260512",
max_tokens=1024,
tools=[
{
"name": "get_weather",
"description": "指定した場所の現在の天気を取得します",
"input_schema": {
"type": "object",
"properties": {
"location": {"type": "string", "description": "都市名"},
"units": {"type": "string", "enum": ["celsius", "fahrenheit"]},
},
完全なコード例、比較テーブル、関連リソースについては AI Study Room の全文記事をご覧ください。
役に立ちましたか？ AI Study Room の 開発者ガイドおよびツール比較 をもっとチェックしてみてください。
返却形式: {"translated": "翻訳されたHTML"}
