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 निष्कर्ष निकालते हैं। लेकिन जब कोई अनुरोध उस शुरुआती जानकारी के दायरे से बाहर हो तो क्या होता है?

टूल कॉलिंग एक ऐसी क्षमता है जो जानकारी और कामकाज की 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 कोई 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 टूल कॉलिंग को कन्वर्सेशनल AI वर्कफ़्लो के लिए कैसे इस्तेमाल करता है।

संक्षेप में

• टूल कॉलिंग AI मॉडल को बाहरी टूल्स और API से कार्रवाई शुरू करने और जानकारी मांगने की सुविधा 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 इस्तेमाल जानकारी प्राप्त करने, कोड चलाने, डिवाइस नियंत्रित करने या वर्कफ़्लो और प्रक्रियाओं के साथ इंटरैक्ट करने के लिए हो सकता है।
• ElevenAgents वॉइस एजेंट्स में टूल कॉलिंग को सपोर्ट करता है, जिससे आपका कन्वर्सेशनल AI असिस्टेंट आपकी ओर से काम पूरे कर सकता है।

टूल कॉलिंग क्या है?

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

टूल कॉलिंग किसी थर्ड-पार्टी सिस्टम को काम करने के लिए अनुरोध भेजती है, जो आम तौर पर JSON में फ़ॉर्मैट किया जाता है। AI सिस्टम बाहरी सिस्टम्स से क्वेरी करने, रियल-टाइम जानकारी पाने, कमांड चलाने या ऑपरेशन करने के लिए टूल कॉलिंग का इस्तेमाल करता है। टूल्स को कॉल करने की क्षमता एजेंटिक AI को बाहरी संसाधनों तक पहुंचकर और थर्ड-पार्टी सिस्टम्स का डायनामिक रूप से इस्तेमाल करके अधिक जटिल या कई चरणों वाले काम पूरे करने देती है।

टूल्स को कॉल करने की क्षमता ही एजेंटिक AI असिस्टेंट्स को उन LLMs से अलग करती है, जो सिर्फ़ अपनी मौजूदा जानकारी के आधार पर जवाब दे सकते हैं।

टूल कॉलिंग क्यों ज़रूरी है?

लार्ज लैंग्वेज मॉडल अपनी क्षमताएं विकसित करने के लिए बहुत बड़ी मात्रा में ऐतिहासिक डेटा पर ट्रेन होते हैं। इससे वे यूज़र्स को जवाब देने और जानकारी पहुंचाने के लिए शक्तिशाली सिस्टम बनते हैं, लेकिन वे अपने शुरुआती ट्रेनिंग कॉन्टेक्स्ट और जानकारी के संग्रह से आगे जाने में मुश्किल महसूस करते हैं। अगर आप LLMs से ऐसी जानकारी मांगते हैं जो उनके दायरे या क्षमताओं से बाहर है, तो उसे देने के लिए उन्हें बाहरी मदद चाहिए होती है।

टूल कॉलिंग वही बाहरी मदद है, जो LLMs को दूसरे स्रोतों से नया डेटा लेने या कंपनी के मौजूदा लाइव सिस्टम्स, जैसे थर्ड-पार्टी APIs या आंतरिक डेटाबेस, के साथ इंटीग्रेट होने देती है।

AI सिस्टम्स के लिए टूल कॉलिंग के कई फायदे हैं:

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

Gartner का अनुमान है कि एंटरप्राइज़ एप्लिकेशंस के 40% 2026 के अंत तक काम-विशिष्ट AI एजेंट्स के साथ इंटीग्रेट हो जाएंगे, जो 2025 में 5% से कम था। ऐसा मॉडल जो किसी काम के लिए सही टूल कॉल कर सकता है, उसकी क्षमताएं बढ़ाता है और यूज़र्स को प्राकृतिक भाषा के प्रॉम्प्ट के ज़रिए ज़्यादा 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 आगे का डेटा खोजने से जुड़े हैं, लेकिन इनका फोकस अलग होता है। RAG मुख्य रूप से स्थिर सामग्री के लिए है, जिसमें लेखों, दस्तावेज़ों और मॉडल से जुड़े नॉलेज बेस जैसी जानकारी शामिल है। यह LLM को अतिरिक्त कॉन्टेक्स्ट देता है, जिससे वह अधिक विस्तृत जवाब बना पाता है।

टूल कॉलिंग का इस्तेमाल डायनामिक जानकारी तक पहुंचने के लिए होता है, जिसमें लगातार बदलने वाले रियल-टाइम सिस्टम्स शामिल हैं। RAG किसी खास साल की कीमतों का PDF ला सकता है, जबकि टूल कॉलिंग कनेक्टेड सिस्टम से तुरंत लाइव कीमतें पा सकती है। ज़्यादातर LLM सिस्टम इन क्षमताओं का साथ में इस्तेमाल करते हैं, क्योंकि कई उपयोग मामलों में नॉलेज बेस और लाइव टूल्स, दोनों ही ज़रूरी होते हैं।

टूल कॉलिंग कैसे काम करती है?

टूल कॉलिंग का पैटर्न काफ़ी मानक होता है, चाहे कोई AI एजेंट किसी आंतरिक ऐप या बाहरी मॉडल को कॉल कर रहा हो।

टूल कॉलिंग कैसे काम करती है, इसका एक उच्च-स्तरीय अवलोकन यहां दिया गया है:

1. पहचानें कि टूल कॉल की ज़रूरत कब है
2. कनेक्टेड सिस्टम्स में 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

जब आप प्राकृतिक भाषा में अनुरोध टाइप करते हैं, तो मॉडल आपके प्रॉम्प्ट को पढ़ता है और आकलन करता है कि उसे टूल से बाहरी मदद चाहिए या नहीं। जो सवाल उसके ट्रेनिंग डेटा से मेल खाता है, उसे बाहरी मदद की ज़रूरत नहीं होगी, लेकिन मॉडल के कॉन्टेक्स्ट से बाहर के कुछ सवालों के लिए यह ज़रूरी होती है।

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

चरण 2: कनेक्टेड सिस्टम्स में से सही टूल चुनें

मॉडल के पास उपलब्ध हर टूल का एक स्कीमा होता है: उसका नाम, वह क्या करता है इसका प्राकृतिक भाषा में विवरण, और वे पैरामीटर्स जिन्हें वह स्वीकार करेगा। मॉडल सही टूल ढूंढने के लिए आपके अनुरोध की तुलना हर विवरण से करता है। खासकर जब किसी एजेंट के पास टूल्स का बड़ा कैटलॉग हो, तो वह प्रासंगिक टूल्स ढूंढने के लिए उन्हें फ़िल्टर करने की आंतरिक प्रक्रिया चलाता है, क्योंकि सैकड़ों टूल्स को मैन्युअली खंगालने से सही टूल ढूंढने में बहुत समय लगेगा।

चरण 3: अनुरोध बनाएं और भेजें

सही टूल चुनने के बाद, मॉडल एक संरचित कॉल बनाता है, जो अक्सर JSON में फ़ॉर्मैट होती है। इस कॉल में बताया जाता है कि कौन-सा टूल कॉल किया जाएगा और अनुरोध में क्या शामिल होगा। उदाहरण के लिए, बोगोटा का मौसम पूछने की कॉल ऐसी दिख सकती है: {"name": "get_weather", "arguments": {"city": "Bogota"}}। मॉडल यह कॉल आउटपुट करता है और एप्लिकेशन लेयर अगले चरण में इसे चलाती है।

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

एप्लिकेशन लेयर मॉडल का अनुरोध प्राप्त करती है और टूल चलाती है या अनुरोध पूरा करने के लिए API कॉल करती है। फिर जवाब को अतिरिक्त कॉन्टेक्स्ट के रूप में मूल मॉडल को वापस भेजा जाता है, जो इसके आधार पर 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 दिया जाता 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 के लिए और चरणों की ज़रूरत हो, तो मॉडल उसी के अनुसार चरण 1-4 दोहराएगा। अधिक जटिल अनुरोधों में यूज़र को अंतिम जवाब देने से पहले कई टूल्स कॉल करने पड़ सकते हैं। उदाहरण के लिए, अगर कोई यूज़र मौजूदा विनिमय दर जानकर मुद्रा बदलना चाहता है, तो मॉडल को यह लक्ष्य पूरा करने के लिए कई चरण क्रम से चलाने होंगे।

टूल कॉलिंग के प्रकार

टूल कॉलिंग उस हर स्थिति को बताती है, जब मॉडल अपने मूल ट्रेनिंग डेटा से आगे की जानकारी के लिए किसी बाहरी सिस्टम को कॉल करता है। इस प्रक्रिया में कई अलग-अलग सिस्टम्स को कॉल किया जा सकता है और अलग-अलग उपयोग मामलों में अलग प्रकार के टूल्स इस्तेमाल हो सकते 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 निष्पादन: कोड एनवायरनमेंट के ज़रिए किसी स्क्रिप्ट, डेटा ट्रांसफ़ॉर्मेशन प्रक्रिया या कैलकुलेशन को चलाना। आम तौर पर इसका इस्तेमाल किसी विश्लेषण के व्यवहार में काम करने का तरीका केवल बताने के बजाय डेटा का विश्लेषण करने के लिए होता है।
• प्रक्रिया ऑटोमेशन: यह उस स्थिति को बताता है जब API कॉल किसी दूसरे सिस्टम में एक खास वर्कफ़्लो शुरू करती है, जैसे CMS के साथ इंटरैक्ट करना, मीटिंग शेड्यूल करना, रिकॉर्ड अपडेट करना, नोटिफ़िकेशन भेजना या अनुरोधों को पूरी हुई कार्रवाइयों में बदलना। यह खास तौर पर उन एजेंटिक सिस्टम्स में आम है जो व्यक्ति के लिए काम करते हैं।
• डिवाइस और सिस्टम नियंत्रण: दूसरे डिवाइस, टेलीफोनी सिस्टम, स्मार्ट होम असिस्टेंट आदि के साथ इंटरैक्ट करने वाली टूल कॉल्स इस श्रेणी में आती हैं।

अक्सर टूल कॉलिंग इनमें से केवल एक श्रेणी में साफ़ तौर पर नहीं आती। आपके पास कई चरणों वाली और चेन की गई कॉल्स हो सकती हैं, जो ऊपर दी गई कई श्रेणियों को निरंतर क्रम में जोड़ती हैं। उदाहरण के लिए, आप किसी ग्राहक के ऑर्डर की स्थिति प्राप्त कर सकते हैं, फिर रिफ़ंड शुरू कर सकते हैं, फिर अपने आंतरिक CRM को अपडेट कर सकते हैं और वह जानकारी लाइव एजेंट को भेज सकते हैं।

टूल कॉलिंग बनाम फंक्शन कॉलिंग: मुख्य अंतर

टूल कॉलिंग, फंक्शन कॉलिंग से व्यापक श्रेणी है और इसका दायरा व संभावित क्षमताओं की रेंज अधिक विविध 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 तालिका दी गई है।

टूल कॉलिंग कितनी भरोसेमंद है?

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

Berkeley Function Calling Leaderboard एक लोकप्रिय लीडरबोर्ड है, जो टूल कॉलिंग के मामले में अलग-अलग मॉडलों के प्रदर्शन की तुलना करता है। हालांकि इसे फंक्शन कॉलिंग लीडरबोर्ड कहा जाता है, लेकिन व्यवहार में यह API कॉल्स पर मॉडलों को टेस्ट करके, डेटाबेस क्वेरी से जानकारी इकट्ठा करके, पैरलल कॉल्स चलाकर या कई टर्न वाली बातचीत में जवाब देकर टूल कॉलिंग की दक्षता मापता है।

मॉडलों का आकलन कुल लागत, वेब सर्च करने की क्षमता, कई टर्न वाली बातचीत की सटीकता, हैलुसिनेशन मापन, लेटेंसी आदि के आधार पर किया जाता है। अगर आप जटिल या कई चरणों वाले वर्कफ़्लो चलाने जा रहे हैं, तो किन मॉडलों में अधिक व्यापक टूल कॉलिंग क्षमताएं हैं, यह जानना उपयोगी जानकारी है।

टूल कॉलिंग के लिए ElevenAgents के साथ शुरुआत करें

ElevenAgents में आप कई मॉडलों में से चुन सकते हैं, ताकि अपने वर्कलोड को सबसे उपयुक्त अंतर्निहित मॉडल के साथ मैच कर सकें। वॉइस एजेंट्स टूल्स कॉल करते हैं, ऑर्डर ढूंढते हैं, रिकॉर्ड जांचते हैं, डेटाबेस अपडेट करते हैं और APIs से जानकारी इकट्ठा करते हैं।

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

ElevenLabs पहले से बने 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 एजेंट्स बनाना शुरू करें।

अक्सर पूछे जाने वाले सवाल