Agentic DesignMuster und Werkzeuge für produktive KI-Agenten

Loading...

📞

Funktionsaufrufe

Strukturierte Schnittstelle, über die die KI externe Funktionen und APIs aufruft

Komplexität: mediumWerkzeugnutzung

In 30 seconds

What: Die KI ruft externe Funktionen über strukturierte Schemas auf, übergibt validierte Parameter und erhält typisierte Antworten.
When to use: Aufgaben, die Echtzeitdaten, Berechnungen oder Zustandsänderungen erfordern, die das Modell intern nicht leisten kann.
Watch out: Modelle können Funktionsaufrufe halluzinieren, mit falschen Namen, fehlenden Parametern oder unmöglichen Argumentwerten.

Loading technique guide…

Patterns

Loading...

Loading Agentic Design…

Agentic DesignMuster und Werkzeuge für produktive KI-Agenten

Expertenhilfe Preise

Entwurfsmuster und Techniken

Loading...

📞

Funktionsaufrufe

Strukturierte Schnittstelle, über die die KI externe Funktionen und APIs aufruft

Komplexität: mediumWerkzeugnutzung

In 30 seconds

What: Die KI ruft externe Funktionen über strukturierte Schemas auf, übergibt validierte Parameter und erhält typisierte Antworten.
When to use: Aufgaben, die Echtzeitdaten, Berechnungen oder Zustandsänderungen erfordern, die das Modell intern nicht leisten kann.
Watch out: Modelle können Funktionsaufrufe halluzinieren, mit falschen Namen, fehlenden Parametern oder unmöglichen Argumentwerten.

30-Sekunden-Überblick

Muster: KI befähigen, externe Funktionen und APIs über strukturierte Schemas aufzurufen

Warum: Überwindet Wissensgrenzen von LLMs und ermöglicht Echtzeitdaten, externe Aktionen und präzise Berechnungen

Kernerkenntnis: Schemagesteuertes Function Calling mit Parametervalidierung, Parallelausführung und Sicherheitskontrollen

Schnelle Umsetzung

1Schema definieren:JSON-Schema mit Parametern und Typen

2Tools registrieren:Mit Authentifizierung in die Funktionsregistry aufnehmen

3Parameter validieren:Alle Eingaben bereinigen und validieren

4Ausführen:API mit Timeouts und Retries aufrufen

5Ergebnisse verarbeiten:Antworten normalisieren und integrieren

Example: get_weather(location="NYC", units="celsius") → {"temp": 18, "condition": "cloudy"}

Do’s und Don’ts

✅Ausführliche Funktionsbeschreibungen schreiben (mindestens 3-4 Sätze)

✅Strikte JSON-Schemas mit Validierung von Pflicht- und optionalen Feldern verwenden

✅Parameterbereinigung und Schutz vor Injection-Angriffen implementieren

✅Timeouts, Retries mit exponentiellem Backoff und Circuit Breaker ergänzen

✅Unabhängige Funktionsaufrufe parallel ausführen

✅Deterministische Funktionsergebnisse zur Kostenoptimierung cachen

❌Vage Funktionsbeschreibungen verwenden, die zu halluzinierten Parametern führen

❌Unbegrenzte parallele Aufrufe ohne Rate-Limiting zulassen

❌Nicht idempotente Operationen nach Timeouts erneut versuchen

❌Rohe API-Zugangsdaten oder Secrets in Funktionsaufrufen offenlegen

❌Eingabevalidierung und Sicherheitsprüfung überspringen

Wann einsetzen

Einsetzen, wenn

• Echtzeitdaten jenseits des Trainingsstands des Modells erforderlich
• Externe API-Integrationen oder Datenbankabfragen erforderlich
• Präzise Berechnungen oder Codeausführung sind zwingend
• Aktionen in externen Systemen auslösen (E-Mail, Terminplanung)

Vermeiden, wenn

• Information ist mit ausreichender Qualität im Modellwissen vorhanden
• Harte Echtzeitanforderungen, bei denen der Tool-Overhead die SLOs verletzt
• Hochriskante, irreversible Aktionen ohne menschliche Freigabe
• Einfache Aufgaben, die reine Textgenerierung löst

Kennzahlen

Genauigkeit der Funktionsauswahl

% korrekt aus der Registry gewählter Tools

Parameter-Extraktionsrate

% korrekt erkannter Pflichtparameter

Erfolg der Schemavalidierung

% der Aufrufe, die die Validierung bestehen

API-Erfolgsrate

% erfolgreicher externer Funktionsaufrufe

Effizienz der Parallelausführung

Latenzreduktion gegenüber sequenziell

Optimierung der Token-Nutzung

Kontext-Tokens pro Funktionsaufruf

Rate der Sicherheitsvorfälle

Blockierte Injection-/XSS-Versuche

Kosten pro Aufgabe

Gesamtkosten: Modell + API + Infrastruktur

Wichtigste Anwendungsfälle

Wetter & Echtzeitdaten: get_weather("NYC") → aktuelle Bedingungen für Entscheidungen

Kalenderintegration: schedule_meeting(time, attendees) → automatisierte Terminplanungs-Workflows

Datenbankoperationen: query_db(table, filters) → dynamisches Abrufen und Aktualisieren von Daten

Codeausführung: run_python(code) → Rechenaufgaben und Datenanalyse

E-Mail & Kommunikation: send_email(to, subject, body) → automatisierte Benachrichtigungen

Websuche: search_web(query) → Informationsbeschaffung in Echtzeit

Dateioperationen: read_file(path), write_file(path, content) → Dokumentenverarbeitung

API-Integrationen: call_api(endpoint, params) → Interaktionen mit externen Diensten

Referenzen und weiterführende Literatur

Vertiefen Sie Ihr Verständnis mit diesen ausgewählten Ressourcen

Grundlegende wissenschaftliche Arbeiten

ReAct: Synergizing Reasoning and Acting in Language Models (ICLR 2023)

Toolformer: Language Models Can Teach Themselves to Use Tools (2023)

Gorilla: Large Language Model Connected with Massive APIs (UC Berkeley 2023)

Berkeley Function Calling Leaderboard (BFCL) - aktueller Benchmark

Praxisleitfäden aus der Industrie

Anthropic Claude: Dokumentation zur Tool-Nutzung

Google Gemini: Leitfaden zum Function Calling

OpenAI: Best Practices für Function Calling

LangChain: Framework zur Tool-Integration

Enterprise-Frameworks & Sicherheit

Model Context Protocol (MCP) - Anthropic-Standard

Google Agent Developer Kit (ADK) - Enterprise-Tools

CrewAI: Tool-Koordination für Multi-Agenten

Azure OpenAI: Sicherheitsrichtlinien für Function Calling

Forschung & Leistungsbewertung

Function Calling in Large Language Models: A Survey (2024)

Überblick über Tool-Use-Patterns

API-Bank: Tool-Augmented LLM Benchmark

ToolBench: Tool Learning Evaluation Framework

Loading technique guide…

Patterns

Entwurfsmuster und Techniken

Loading...

30-Sekunden-Überblick

Muster: KI befähigen, externe Funktionen und APIs über strukturierte Schemas aufzurufen

Warum: Überwindet Wissensgrenzen von LLMs und ermöglicht Echtzeitdaten, externe Aktionen und präzise Berechnungen

Kernerkenntnis: Schemagesteuertes Function Calling mit Parametervalidierung, Parallelausführung und Sicherheitskontrollen

Schnelle Umsetzung

1Schema definieren:JSON-Schema mit Parametern und Typen

2Tools registrieren:Mit Authentifizierung in die Funktionsregistry aufnehmen

3Parameter validieren:Alle Eingaben bereinigen und validieren

4Ausführen:API mit Timeouts und Retries aufrufen

5Ergebnisse verarbeiten:Antworten normalisieren und integrieren

Example: get_weather(location="NYC", units="celsius") → {"temp": 18, "condition": "cloudy"}

Do’s und Don’ts

✅Ausführliche Funktionsbeschreibungen schreiben (mindestens 3-4 Sätze)

✅Strikte JSON-Schemas mit Validierung von Pflicht- und optionalen Feldern verwenden

✅Parameterbereinigung und Schutz vor Injection-Angriffen implementieren

✅Timeouts, Retries mit exponentiellem Backoff und Circuit Breaker ergänzen

✅Unabhängige Funktionsaufrufe parallel ausführen

✅Deterministische Funktionsergebnisse zur Kostenoptimierung cachen

❌Vage Funktionsbeschreibungen verwenden, die zu halluzinierten Parametern führen

❌Unbegrenzte parallele Aufrufe ohne Rate-Limiting zulassen

❌Nicht idempotente Operationen nach Timeouts erneut versuchen

❌Rohe API-Zugangsdaten oder Secrets in Funktionsaufrufen offenlegen

❌Eingabevalidierung und Sicherheitsprüfung überspringen

Wann einsetzen

Einsetzen, wenn

• Echtzeitdaten jenseits des Trainingsstands des Modells erforderlich
• Externe API-Integrationen oder Datenbankabfragen erforderlich
• Präzise Berechnungen oder Codeausführung sind zwingend
• Aktionen in externen Systemen auslösen (E-Mail, Terminplanung)

Vermeiden, wenn

• Information ist mit ausreichender Qualität im Modellwissen vorhanden
• Harte Echtzeitanforderungen, bei denen der Tool-Overhead die SLOs verletzt
• Hochriskante, irreversible Aktionen ohne menschliche Freigabe
• Einfache Aufgaben, die reine Textgenerierung löst