Loading...

📞

関数呼び出し

AIが外部の関数やAPIを呼び出すための構造化されたインターフェースです

複雑さ: mediumツール利用

In 30 seconds

What: AI が構造化スキーマを介して外部関数を呼び出し、検証済みのパラメータを渡して型付きのレスポンスを受け取ります。
When to use: モデル自体では実行できないリアルタイムデータ、計算、状態変更を必要とするタスク。
Watch out: モデルは、誤った名前、欠落したパラメータ、あり得ない引数値を伴う関数呼び出しをハルシネーションすることがあります。

Loading technique guide…

Patterns

Loading...

Loading Agentic Design…

Agentic Design本番環境のAIエージェント向けパターンとツール

専門家に相談料金

設計パターンと手法

Loading...

📞

関数呼び出し

AIが外部の関数やAPIを呼び出すための構造化されたインターフェースです

複雑さ: mediumツール利用

In 30 seconds

What: AI が構造化スキーマを介して外部関数を呼び出し、検証済みのパラメータを渡して型付きのレスポンスを受け取ります。
When to use: モデル自体では実行できないリアルタイムデータ、計算、状態変更を必要とするタスク。
Watch out: モデルは、誤った名前、欠落したパラメータ、あり得ない引数値を伴う関数呼び出しをハルシネーションすることがあります。

30秒でわかる概要

パターン: 構造化スキーマを通じて AI が外部関数や API を呼び出せるようにする

理由: LLM の知識の限界を突破し、リアルタイムデータへのアクセス、外部操作、正確な計算を可能にする

重要なポイント: スキーマ駆動の関数呼び出しに、パラメータ検証、並列実行、セキュリティ制御を組み合わせる

クイック実装

1スキーマを定義:パラメータと型を含む JSON スキーマ

2ツールを登録:認証付きで関数レジストリに追加

3パラメータを検証:すべての入力をサニタイズして検証

4実行:タイムアウトとリトライ付きで API を呼び出す

5結果を処理:応答を正規化して統合

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

推奨事項と禁止事項

✅詳細な関数説明を書く(最低3-4文以上)

✅必須/任意フィールドを検証する厳格な JSON スキーマを使う

✅パラメータのサニタイズとインジェクション攻撃の防止を実装する

✅タイムアウト、指数バックオフ付きリトライ、サーキットブレーカーを追加する

✅独立した関数呼び出しは並列実行する

✅決定的な関数結果をキャッシュしてコストを最適化する

❌曖昧な関数説明を使い、パラメータのハルシネーションを招く

❌レート制限なしに無制限の並列呼び出しを許可する

❌タイムアウト後に非冪等な操作をリトライする

❌生の API 認証情報やシークレットを関数呼び出しで露出させる

❌入力検証とセキュリティスキャンを省略する

使用する場面

使用する場合

• モデルの学習カットオフを超えるリアルタイムデータが必要
• 外部 API 連携やデータベース照会が必要
• 正確な計算やコード実行が必須
• 外部システムでのアクション実行(メール、スケジュール調整)

避けるべき場合

• 許容できる品質でモデルの知識内に情報がある
• ツールのオーバーヘッドが SLO を破るハードリアルタイム要件
• 人間の承認なしに行う高リスクで不可逆な操作
• 基本的なテキスト生成で解決できる単純なタスク

主要指標

関数選択の精度

レジストリから正しいツールを選んだ割合 (%)

パラメータ抽出率

必須パラメータを正しく特定した割合 (%)

スキーマ検証の成功率

検証を通過した呼び出しの割合 (%)

API 成功率

成功した外部関数呼び出しの割合 (%)

並列実行の効率

逐次実行に対するレイテンシ削減

トークン使用量の最適化

関数呼び出しあたりのコンテキストトークン

セキュリティインシデント率

ブロックしたインジェクション/XSS 試行

タスクあたりのコスト

総コスト: モデル + API + インフラ

主なユースケース

天気とリアルタイムデータ: get_weather("NYC") → 意思決定のための現在の状況

カレンダー連携: schedule_meeting(time, attendees) → 自動スケジューリングのワークフロー

データベース操作: query_db(table, filters) → 動的なデータ取得と更新

コード実行: run_python(code) → 計算タスクとデータ分析

メールとコミュニケーション: send_email(to, subject, body) → 自動通知

ウェブ検索: search_web(query) → リアルタイムの情報取得

ファイル操作: read_file(path), write_file(path, content) → ドキュメント処理

API 連携: call_api(endpoint, params) → 外部サービスとのやり取り

参考文献と関連資料

厳選された資料で理解を深めましょう

基礎となる学術論文

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) - 現行ベンチマーク

業界の実装ガイド

Anthropic Claude ツール利用ドキュメント

Google Gemini Function Calling ガイド

OpenAI Function Calling のベストプラクティス

LangChain ツール統合フレームワーク

エンタープライズ向けフレームワークとセキュリティ

Model Context Protocol (MCP) - Anthropic 標準

Google Agent Developer Kit (ADK) - エンタープライズ向けツール

CrewAI のマルチエージェント・ツール連携

Azure OpenAI Function Calling セキュリティガイドライン

研究と性能評価

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

ツール利用パターンの概要

API-Bank: Tool-Augmented LLM Benchmark

ToolBench: Tool Learning Evaluation Framework

Loading technique guide…

Patterns

設計パターンと手法

Loading...

30秒でわかる概要

パターン: 構造化スキーマを通じて AI が外部関数や API を呼び出せるようにする

理由: LLM の知識の限界を突破し、リアルタイムデータへのアクセス、外部操作、正確な計算を可能にする

重要なポイント: スキーマ駆動の関数呼び出しに、パラメータ検証、並列実行、セキュリティ制御を組み合わせる

クイック実装

1スキーマを定義:パラメータと型を含む JSON スキーマ

2ツールを登録:認証付きで関数レジストリに追加

3パラメータを検証:すべての入力をサニタイズして検証

4実行:タイムアウトとリトライ付きで API を呼び出す

5結果を処理:応答を正規化して統合

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

推奨事項と禁止事項

✅詳細な関数説明を書く(最低3-4文以上)

✅必須/任意フィールドを検証する厳格な JSON スキーマを使う

✅パラメータのサニタイズとインジェクション攻撃の防止を実装する

✅タイムアウト、指数バックオフ付きリトライ、サーキットブレーカーを追加する

✅独立した関数呼び出しは並列実行する

✅決定的な関数結果をキャッシュしてコストを最適化する

❌曖昧な関数説明を使い、パラメータのハルシネーションを招く

❌レート制限なしに無制限の並列呼び出しを許可する

❌タイムアウト後に非冪等な操作をリトライする

❌生の API 認証情報やシークレットを関数呼び出しで露出させる

❌入力検証とセキュリティスキャンを省略する

使用する場面

使用する場合

• モデルの学習カットオフを超えるリアルタイムデータが必要
• 外部 API 連携やデータベース照会が必要
• 正確な計算やコード実行が必須
• 外部システムでのアクション実行(メール、スケジュール調整)

避けるべき場合

• 許容できる品質でモデルの知識内に情報がある
• ツールのオーバーヘッドが SLO を破るハードリアルタイム要件
• 人間の承認なしに行う高リスクで不可逆な操作
• 基本的なテキスト生成で解決できる単純なタスク

主要指標

関数選択の精度

レジストリから正しいツールを選んだ割合 (%)

パラメータ抽出率

必須パラメータを正しく特定した割合 (%)

スキーマ検証の成功率

検証を通過した呼び出しの割合 (%)

API 成功率

成功した外部関数呼び出しの割合 (%)

並列実行の効率

逐次実行に対するレイテンシ削減

トークン使用量の最適化

関数呼び出しあたりのコンテキストトークン

セキュリティインシデント率

ブロックしたインジェクション/XSS 試行

タスクあたりのコスト

総コスト: モデル + API + インフラ

主なユースケース

天気とリアルタイムデータ: get_weather("NYC") → 意思決定のための現在の状況

カレンダー連携: schedule_meeting(time, attendees) → 自動スケジューリングのワークフロー

データベース操作: query_db(table, filters) → 動的なデータ取得と更新

コード実行: run_python(code) → 計算タスクとデータ分析

メールとコミュニケーション: send_email(to, subject, body) → 自動通知

ウェブ検索: search_web(query) → リアルタイムの情報取得

ファイル操作: read_file(path), write_file(path, content) → ドキュメント処理

API 連携: call_api(endpoint, params) → 外部サービスとのやり取り

参考文献と関連資料

厳選された資料で理解を深めましょう

基礎となる学術論文

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) - 現行ベンチマーク

業界の実装ガイド

Anthropic Claude ツール利用ドキュメント

Google Gemini Function Calling ガイド

OpenAI Function Calling のベストプラクティス

LangChain ツール統合フレームワーク

エンタープライズ向けフレームワークとセキュリティ

Model Context Protocol (MCP) - Anthropic 標準

Google Agent Developer Kit (ADK) - エンタープライズ向けツール

CrewAI のマルチエージェント・ツール連携

Azure OpenAI Function Calling セキュリティガイドライン

研究と性能評価

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

ツール利用パターンの概要

API-Bank: Tool-Augmented LLM Benchmark

ToolBench: Tool Learning Evaluation Framework

関数呼び出し - Agentic Design