टूल कॉलिंग क्या है? AI इंटीग्रेशन की पूरी गाइड

AI मॉडल यूज़र्स को जवाब देने के लिए अपने ट्रेनिंग डेटा से जानकारी लेते हैं और उसके आधार पर अनुमान लगाते हैं। लेकिन जब कोई अनुरोध उस शुरुआती जानकारी के दायरे से बाहर हो, तब क्या होता है?

टूल कॉलिंग एक ऐसी क्षमता है जो जानकारी और काम करने से जुड़ी इन कमियों को भरने में मदद करती है। इससे मॉडल बाहरी टूल्स और सिस्टम्स से अतिरिक्त मदद मांग सकता है—चाहे वह अपडेट भेजने जैसी कार्रवाई शुरू करना हो या डेटा डैशबोर्ड से सामग्री लेना हो।

इस लेख में हम जानेंगे कि टूल कॉलिंग क्या है, यह फंक्शन कॉलिंग से कैसे अलग है और ElevenAgents कन्वर्सेशनल AI वर्कफ़्लो के लिए टूल कॉलिंग का इस्तेमाल कैसे करता है।

सारांश

• टूल कॉलिंग AI मॉडल को कार्रवाई शुरू करने और बाहरी टूल्स व APIs से जानकारी मांगने देती है।
• AI मॉडल खुद किसी टूल को नहीं चलाता। इसके बजाय, एप्लिकेशन लेयर अनुरोध को चलाती है।
• टूल कॉलिंग पांच चरणों वाली प्रक्रिया है, जिसमें एक ही अनुरोध में कई अलग-अलग टूल्स सक्रिय हो सकते हैं।
• टूल कॉलिंग का उपयोग जानकारी पाने, कोड चलाने, डिवाइस नियंत्रित करने या वर्कफ़्लो और प्रक्रियाओं से इंटरैक्ट करने के लिए हो सकता है।
• ElevenAgents वॉइस एजेंट्स में टूल कॉलिंग सपोर्ट करता है, जिससे आपका कन्वर्सेशनल AI असिस्टेंट आपकी ओर से काम पूरा कर सकता है।

टूल कॉलिंग क्या है?

टूल कॉलिंग AI मॉडल की एक क्षमता है, जो उसे किसी दूसरे सिस्टम के साथ इंटरैक्ट करने देती है। वह सिस्टम डेटाबेस, API, सॉफ्टवेयर का कोई भाग या ऐसी कोई भी चीज़ हो सकती है जो उसे अपने ट्रेनिंग डेटा से आगे का काम करने दे। 

टूल कॉलिंग किसी थर्ड-पार्टी सिस्टम को काम करने के लिए अनुरोध भेजती है, जो आमतौर पर JSON फ़ॉर्मैट में होता है। AI सिस्टम टूल कॉलिंग से बाहरी सिस्टम्स को क्वेरी करते हैं, रीयल-टाइम जानकारी लाते हैं, कमांड चलाते हैं या ऑपरेशन करते हैं। टूल्स कॉल करने की क्षमता एजेंटिक AI को बाहरी संसाधनों तक पहुंचकर और थर्ड-पार्टी सिस्टम्स का डायनामिक रूप से उपयोग करके ज्यादा जटिल या कई चरणों वाले काम पूरे करने देती है।

टूल्स कॉल करने की क्षमता ही एजेंटिक AI असिस्टेंट्स को उन LLMs से अलग बनाती है जो केवल अपनी पहले से मौजूद जानकारी के आधार पर जवाब दे सकते हैं।

टूल कॉलिंग क्यों ज़रूरी है?

लार्ज लैंग्वेज मॉडल्स अपनी क्षमताएं विकसित करने के लिए बहुत बड़ी मात्रा में ऐतिहासिक डेटा पर ट्रेन होते हैं। इससे वे यूज़र्स को जवाब देने और जानकारी देने के लिए शक्तिशाली सिस्टम बनते हैं, लेकिन उन्हें अपने शुरुआती ट्रेनिंग कॉन्टेक्स्ट और जानकारी के भंडार से आगे जाने में कठिनाई होती है। अगर आप LLMs से उनके दायरे या क्षमताओं से बाहर की जानकारी पूछते हैं, तो उन्हें बाहरी मदद चाहिए होती है।

टूल कॉलिंग वही बाहरी मदद है। यह LLMs को दूसरे स्रोतों से नया डेटा लेने या कंपनी के पहले से चल रहे लाइव सिस्टम्स—जैसे थर्ड-पार्टी APIs या आंतरिक डेटाबेस—से इंटीग्रेट होने देती है।

AI सिस्टम्स के लिए टूल कॉलिंग के कई फायदे हैं:

• कम हैलुसिनेशन: जानकारी सत्यापित करने के लिए सीधे टूल कॉल्स पर निर्भर सिस्टम, ट्रेनिंग डेटा के आधार पर जानकारी गढ़ने या अनुमान लगाने के बजाय साक्ष्य और डेटा पर काम करता है।
• ज़्यादा स्वायत्तता और दायरा: टूल कॉलिंग वाला LLM केवल जानकारी देने से आगे की कार्रवाइयां भी पूरी कर सकता है। 
• रीयल-टाइम जवाब: लाइव स्रोतों को जांचकर LLM डेटाबेस या API कॉल्स से रीयल-टाइम डेटा पा सकता है। इससे आपको नई जानकारी मिलती है, जो सिर्फ ट्रेनिंग डेटा से काम करने पर उपलब्ध नहीं होती।
• ऑटोमेटेड मल्टी-स्टेप प्रक्रियाएं: जिस काम के लिए आपको कई अलग-अलग सिस्टम्स से इंटरैक्ट करना पड़ सकता है, वह टूल कॉलिंग वाले LLM के साथ एक प्रॉम्प्ट तक सीमित हो जाता है। यह दूसरे सिस्टम्स को क्वेरी कर सकता है और बिना इंटरैक्शन विंडो छोड़े आपके लिए जानकारी ला सकता है।

Gartner का अनुमान है कि 40% एंटरप्राइज़ एप्लिकेशन 2026 के अंत तक टास्क-विशिष्ट AI एजेंट्स के साथ इंटीग्रेट हो जाएंगे, जबकि 2025 में यह 5% से भी कम था। किसी काम के लिए सही टूल कॉल करने वाला मॉडल अपनी क्षमताएं बढ़ाता है और यूज़र्स को नेचुरल लैंग्वेज प्रॉम्प्टिंग से ज्यादा काम करने देता है।

टूल कॉलिंग बनाम रिट्रीवल-ऑगमेंटेड जेनरेशन (RAG)

रिट्रीवल-ऑगमेंटेड जेनरेशन और टूल कॉलिंग, दोनों ही मॉडल के ट्रेनिंग डेटा से मिलने वाले कॉन्टेक्स्ट से बाहर डेटा खोजने के बारे में हैं, लेकिन दोनों अलग चीज़ों पर ध्यान देते हैं। RAG मुख्य रूप से स्टैटिक कंटेंट के लिए है, जिसमें लेख, दस्तावेज़ और मॉडल से जोड़े गए नॉलेज बेस जैसी जानकारी शामिल है। यह LLM को अतिरिक्त कॉन्टेक्स्ट देता है, जिससे वह ज्यादा व्यापक जवाब बना सकता है।

टूल कॉलिंग का उपयोग बदलते रहने वाले रीयल-टाइम सिस्टम्स सहित जानकारी तक डायनामिक रूप से पहुंचने के लिए होता है। RAG किसी खास वर्ष की कीमतों का PDF ला सकता है, जबकि टूल कॉलिंग किसी जुड़े हुए सिस्टम से तुरंत लाइव कीमतें ले सकती है। अधिकांश LLM सिस्टम्स इन क्षमताओं का साथ में उपयोग करते हैं, क्योंकि कई उपयोग मामलों में नॉलेज बेस और लाइव टूल्स, दोनों जरूरी होते हैं।

टूल कॉलिंग कैसे काम करती है?

चाहे AI एजेंट किसी आंतरिक ऐप को कॉल कर रहा हो या बाहरी मॉडल को, टूल कॉलिंग आमतौर पर एक मानक पैटर्न का पालन करती है। 

टूल कॉलिंग कैसे काम करती है, इसका संक्षिप्त विवरण यहां है:

1. पहचानें कि टूल कॉल की ज़रूरत कब है
2. कनेक्टेड सिस्टम्स से सही टूल चुनें
3. अनुरोध बनाएं और भेजें
4. अनुरोध चलाया जाता है और नतीजा लौटाया जाता है
5. मॉडल जवाब देता है या आगे कार्रवाई करता है

आइए इन्हें विस्तार से समझते हैं।

चरण 1: पहचानें कि टूल कॉल की ज़रूरत कब है

नेचुरल लैंग्वेज में अनुरोध टाइप करने के बाद मॉडल आपके प्रॉम्प्ट को पढ़ता है और आकलन करता है कि उसे टूल से बाहरी मदद चाहिए या नहीं। जो सवाल उसके ट्रेनिंग डेटा के अनुरूप हो, उसमें बाहरी मदद नहीं चाहिए होगी। लेकिन मॉडल के कॉन्टेक्स्ट से बाहर वाले कुछ सवालों में इसकी ज़रूरत होती है।

“Salesforce में Q2 के हमारे बिक्री आंकड़े क्या थे?” और “हमारे Shopify स्टोर पर अभी कितने सक्रिय यूज़र्स हैं?” जैसे सवालों के लिए टूल कॉल चाहिए होगी।

चरण 2: कनेक्टेड सिस्टम्स से सही टूल चुनें

मॉडल जिस भी टूल को एक्सेस कर सकता है, उसका एक स्कीमा होता है: नाम, उसके काम का नेचुरल लैंग्वेज विवरण और वे पैरामीटर्स जिन्हें वह स्वीकार करेगा। मॉडल सही टूल ढूंढने के लिए आपके अनुरोध की तुलना इन सभी विवरणों से करता है। खासकर जब एजेंट के पास टूल्स का बड़ा कैटलॉग हो, तो वह संबंधित टूल्स ढूंढने के लिए उन्हें फ़िल्टर करने की आंतरिक प्रक्रिया चलाता है, क्योंकि सैकड़ों टूल्स को मैन्युअल रूप से खंगालने से सही टूल ढूंढना बहुत धीमा हो जाएगा।

चरण 3: अनुरोध बनाएं और भेजें

सही टूल चुनने के बाद मॉडल एक संरचित कॉल बनाता है, जो अक्सर JSON में फ़ॉर्मैट होती है। यह कॉल उस टूल और अनुरोध में शामिल जानकारी को तय करती है। उदाहरण के लिए, Bogota का मौसम पूछने की कॉल कुछ ऐसी हो सकती है: {"name": "get_weather", "arguments": {"city": "Bogota"}}। मॉडल यह कॉल आउटपुट करता है और एप्लिकेशन लेयर इसे अगले चरण में चलाती है।

चरण 4: अनुरोध चलाया जाता है और नतीजा लौटाया जाता है 

एप्लिकेशन लेयर मॉडल का अनुरोध पाती है और अनुरोध पूरा करने के लिए टूल चलाती है या API कॉल करती है। फिर जवाब को अतिरिक्त कॉन्टेक्स्ट के रूप में मूल मॉडल तक वापस भेजा जाता है, जो उससे यूज़र को अपना जवाब दे सकता है। 

चरण 5: मॉडल जवाब देता है या आगे कार्रवाई करता है

टूल कॉल से मिले डेटा या जानकारी के आधार पर मॉडल या तो यूज़र को सामान्य भाषा में जवाब देता है या पुष्टि करता है कि कोई खास कार्रवाई की गई है। दूसरा जवाब तब आता है, जब यूज़र का काम कार्रवाई से जुड़ा हो, जैसे किसी खास प्लेटफ़ॉर्म पर संदेश पोस्ट करना या डेटाबेस में डेटा दर्ज करना।

अगर काम में और चरण चाहिए हों, तो मॉडल उसी के अनुसार चरण 1-4 दोहराएगा। ज्यादा जटिल अनुरोधों में यूज़र को अंतिम जवाब देने से पहले कई टूल्स कॉल करने पड़ सकते हैं। उदाहरण के लिए, अगर यूज़र मौजूदा एक्सचेंज रेट जानना चाहता है और फिर करेंसी कन्वर्ट करना चाहता है, तो मॉडल को यह लक्ष्य पाने के लिए क्रम से कई चरण चलाने होंगे। 

टूल कॉलिंग के प्रकार

टूल कॉलिंग उस हर स्थिति को बताती है, जब मॉडल अपने मूल ट्रेनिंग से आगे के डेटा के लिए किसी बाहरी सिस्टम को कॉल करता है। इस प्रक्रिया में कई अलग-अलग सिस्टम्स का उपयोग हो सकता है और अलग उपयोग मामलों में अलग तरह के टूल्स काम आते हैं।

• जानकारी प्राप्त करना: इसमें मॉडल के मूल ट्रेनिंग कॉन्टेक्स्ट के दायरे से बाहर के सवाल का जवाब देने के लिए API, कनेक्टेड कंपनी डेटाबेस या सर्च इंडेक्स जैसे बाहरी स्रोत से डेटा लेना शामिल है।
• कोड एक्ज़ीक्यूशन: कोड एनवायरनमेंट में किसी स्क्रिप्ट, डेटा ट्रांसफ़ॉर्मेशन प्रक्रिया या कैलकुलेशन को चलाना। इसका इस्तेमाल आमतौर पर यह बताने के बजाय कि विश्लेषण व्यवहार में कैसे काम कर सकता है, डेटा का विश्लेषण करने के लिए होता है।
• प्रक्रिया ऑटोमेशन: यह बताता है कि API कॉल किसी दूसरे सिस्टम में खास वर्कफ़्लो शुरू करती है, जैसे CMS के साथ इंटरैक्ट करना, मीटिंग शेड्यूल करना, रिकॉर्ड्स अपडेट करना, नोटिफ़िकेशन भेजना या अनुरोधों को पूरे हुए कामों में बदलना। यह खासकर ऐसे एजेंटिक सिस्टम्स में आम है जो व्यक्ति के लिए काम करते हैं।
• डिवाइस और सिस्टम कंट्रोल: दूसरे डिवाइस, टेलीफोनी सिस्टम, स्मार्ट होम असिस्टेंट और अन्य चीज़ों से इंटरैक्ट करने वाली टूल कॉल्स इस श्रेणी में आती हैं।

अक्सर टूल कॉलिंग इनमें से सिर्फ एक श्रेणी में साफ़ तौर पर नहीं आती। आपके पास मल्टी-स्टेप और चेन्ड कॉल्स हो सकती हैं, जो ऊपर दी गई कई श्रेणियों को लगातार क्रम में जोड़ती हैं। उदाहरण के लिए, आप ग्राहक के ऑर्डर का स्टेटस पा सकते हैं, फिर रिफ़ंड शुरू कर सकते हैं, फिर अपना आंतरिक CRM अपडेट कर सकते हैं और वह जानकारी लाइव एजेंट को दे सकते हैं।

टूल कॉलिंग बनाम फंक्शन कॉलिंग: मुख्य अंतर

टूल कॉलिंग, फंक्शन कॉलिंग से व्यापक श्रेणी है, जिसमें ज्यादा बड़ा दायरा और संभावित क्षमताओं की विविध रेंज शामिल होती है। फंक्शन कॉलिंग तब होती है, जब मॉडल आर्ग्युमेंट्स के साथ किसी पहले से तय फंक्शन के लिए संरचित कॉल बनाता है।

टूल कॉल और फंक्शन कॉल के अंतर समझने के लिए यहां एक टेबल है। 

टूल कॉलिंग कितनी भरोसेमंद है? 

टूल कॉलिंग की विश्वसनीयता पूरी तरह कॉल करने वाले मॉडल पर निर्भर करती है। साथ ही, अलग-अलग सिस्टम्स में विफलता अलग तरीके से दिख सकती है। उदाहरण के लिए, टूल कॉल विफल होने पर एक AI मॉडल बस जवाब गढ़ सकता है, जबकि दूसरा यूज़र को दोबारा कोशिश करने के लिए कह सकता है। 

Berkeley Function Calling Leaderboard एक आम तौर पर संदर्भित लीडरबोर्ड है, जो टूल कॉलिंग के मामले में अलग-अलग मॉडल्स के प्रदर्शन की तुलना करता है। हालांकि इसे फंक्शन कॉलिंग लीडरबोर्ड कहा जाता है, व्यवहार में यह API कॉल्स, डेटाबेस क्वेरी से जानकारी इकट्ठा करने, पैरलल कॉल्स चलाने या मल्टी-टर्न बातचीत में जवाब देने पर मॉडल्स को टेस्ट करके टूल कॉलिंग की दक्षता मापता है।

मॉडल्स की जांच कुल लागत, वेब सर्च करने की क्षमता, मल्टी-टर्न बातचीत की सटीकता, हैलुसिनेशन माप, लेटेंसी और अन्य चीज़ों पर की जाती है। अगर आप जटिल या मल्टी-स्टेप वर्कफ़्लो चलाने वाले हैं, तो यह जानना उपयोगी है कि किन मॉडल्स में टूल कॉलिंग की ज्यादा व्यापक क्षमताएं हैं। 

टूल कॉलिंग के लिए ElevenAgents से शुरुआत करें

ElevenAgents पर आप कई मॉडल्स में से चुन सकते हैं, जिससे आप अपने वर्कलोड के लिए सबसे उपयुक्त बेस मॉडल चुन सकते हैं। वॉइस एजेंट्स टूल्स को कॉल करते हैं, ऑर्डर ढूंढते हैं, रिकॉर्ड्स जांचते हैं, डेटाबेस अपडेट करते हैं और APIs से जानकारी इकट्ठा करते हैं।

आप कई तरह के टूल्स को कॉल कर सकते हैं, जिनमें बाहरी APIs कॉल करने के लिए वेबहुक टूल्स, ऐप्लिकेशंस या ब्राउज़र में कार्रवाई शुरू करने के लिए क्लाइंट टूल्स, कस्टम सर्वर-साइड लॉजिक के लिए कोड टूल्स, बाहरी टूल सर्वर्स से जुड़ने वाले MCP टूल्स और ह्यूमन एजेंट को ट्रांसफ़र करने जैसी बिल्ट-इन कार्रवाइयों के लिए सिस्टम टूल्स शामिल हैं।

ElevenLabs प्रीबिल्ट नेटिव कनेक्टर्स भी देता है, जो Zendesk, HubSpot, Salesforce और कई अन्य सेवाओं के लिए उपलब्ध हैं। इससे आपको कस्टम सेटअप कॉन्फ़िगर करने की ज़रूरत नहीं पड़ती। ElevenAgents के बारे में और जानें या साइन अप करें और आज ही टूल कॉलिंग के साथ वॉइस एजेंट बनाना शुरू करें।

अक्सर पूछे जाने वाले सवाल