O que é tool calling? Um guia completo para integração de IA

Os modelos de IA usam e extrapolam seus dados de treinamento para responder aos usuários. Mas o que acontece quando uma solicitação vai além do escopo dessas informações iniciais?

A chamada de ferramentas é um recurso que ajuda a preencher essas lacunas de conhecimento e funcionalidade, permitindo que um modelo peça ajuda adicional a ferramentas e sistemas externos, seja para acionar uma ação, como enviar uma atualização, ou extrair conteúdo de um painel de dados.

Neste artigo, vamos explorar o que é chamada de ferramentas, como ela se compara à chamada de função e como o ElevenAgents coloca a chamada de ferramentas em prática em fluxos de trabalho de IA conversacional.

Resumo

• A chamada de ferramentas permite que um modelo de IA acione ações e solicite informações de ferramentas externas e APIs.
• Um modelo de IA não executa uma ferramenta diretamente. Em vez disso, uma camada de aplicação executa a solicitação.
• A chamada de ferramentas segue um processo de cinco etapas, e várias ferramentas diferentes podem ser ativadas na mesma solicitação.
• A chamada de ferramentas pode servir para recuperação de informações, execução de código, controle de dispositivos ou interação com fluxos de trabalho e processos.
• O ElevenAgents oferece suporte a chamadas de ferramentas em agentes de voz, permitindo que seu assistente de IA conversacional realize tarefas em seu nome.

O que é chamada de ferramentas?

A chamada de ferramentas é um recurso de um modelo de IA que permite interagir com outro sistema. Esse sistema pode ser um banco de dados, uma API, um software ou qualquer recurso que permita executar uma função além dos dados de treinamento. 

A chamada de ferramentas gera uma solicitação para que um sistema de terceiros execute uma tarefa, geralmente formatada como JSON. Um sistema de IA usa a chamada de ferramentas para consultar sistemas externos, buscar informações em tempo real, executar comandos ou realizar operações. A capacidade de chamar ferramentas permite que a IA agêntica conclua tarefas mais complexas ou de várias etapas ao acessar recursos externos e usar sistemas de terceiros dinamicamente.

A capacidade de chamar ferramentas é o que diferencia assistentes de IA agêntica de LLMs que só conseguem responder com base no que já sabem.

Por que a chamada de ferramentas é importante?

Os modelos de linguagem de grande porte são treinados com enormes volumes de dados históricos para desenvolver suas capacidades. Embora isso os torne sistemas poderosos para responder aos usuários e fornecer informações, eles têm dificuldade para ir além do contexto inicial de treinamento e do conjunto de informações disponível. Se você pedir a LLMs informações fora de seu escopo ou além de suas capacidades, eles precisarão de ajuda externa para fornecê-las.

A chamada de ferramentas oferece essa assistência externa, permitindo que LLMs obtenham dados atualizados de outras fontes ou se integrem a sistemas ativos que uma empresa já utiliza, como APIs de terceiros ou bancos de dados internos.

Há vários benefícios da chamada de ferramentas para sistemas de IA:

• Menos alucinações: Um sistema que depende de chamadas diretas a ferramentas para verificar informações se baseia em evidências e dados, em vez de possivelmente inventar informações ou extrapolar com base nos dados de treinamento.
• Mais autonomia e escopo: Um LLM com chamada de ferramentas pode realizar ações que vão além de apenas fornecer informações. 
• Respostas em tempo real: Ao consultar fontes ativas, um LLM pode obter dados em tempo real de bancos de dados ou chamadas de API, fornecendo informações atualizadas que não estariam disponíveis ao trabalhar apenas com dados de treinamento.
• Processos automatizados de várias etapas: Uma tarefa que pode exigir sua interação com diversos sistemas é reduzida a um único prompt com um LLM que usa chamada de ferramentas. Ele pode consultar outros sistemas e obter informações para você sem que seja necessário sair da janela de interação.

A Gartner prevê que 40% dos aplicativos corporativos estarão integrados a agentes de IA específicos para tarefas até o fim de 2026, em comparação com menos de 5% em 2025. Um modelo capaz de chamar a ferramenta certa para uma tarefa amplia suas capacidades e permite que os usuários realizem mais usando prompts em linguagem natural.

Chamada de ferramentas vs. geração aumentada por recuperação (RAG)

A geração aumentada por recuperação e a chamada de ferramentas envolvem buscar dados além do contexto fornecido pelos dados de treinamento de um modelo, mas têm focos diferentes. O RAG é voltado principalmente para conteúdo estático, incluindo informações como artigos, documentos e bases de conhecimento conectadas a um modelo. Ele fornece contexto adicional a um LLM, ajudando a gerar respostas mais completas.

A chamada de ferramentas serve para acessar informações dinamicamente, incluindo sistemas em tempo real que mudam constantemente. O RAG poderia buscar um PDF com preços de determinado ano, enquanto a chamada de ferramentas poderia obter instantaneamente preços atualizados de um sistema conectado. A maioria dos sistemas de LLM usa esses recursos em conjunto, pois tanto as bases de conhecimento quanto as ferramentas em tempo real são importantes em muitos casos de uso.

Como funciona a chamada de ferramentas?

A chamada de ferramentas segue um padrão relativamente comum, seja quando um agente de IA chama um aplicativo interno ou um modelo externo. 

Confira uma visão geral de alto nível de como funciona a chamada de ferramentas:

1. Identificar quando é necessária uma chamada de ferramenta
2. Selecionar a ferramenta certa entre os sistemas conectados
3. Criar e enviar uma solicitação
4. A solicitação é executada e um resultado é retornado
5. O modelo responde ou realiza outra ação

Vamos detalhar cada uma delas.

Etapa 1: identificar quando é necessária uma chamada de ferramenta

Depois que você digita uma solicitação em linguagem natural, um modelo lê seu prompt e avalia se precisará de ajuda externa de uma ferramenta. Uma pergunta compatível com seus dados de treinamento não precisará dessa ajuda, mas algumas perguntas, como as que vão além do contexto do modelo, precisarão.

Perguntas como “Quais foram nossos números de vendas no segundo trimestre no Salesforce?” e “Qual é o número atual de usuários ativos em nossa loja Shopify?” exigiriam uma chamada de ferramenta.

Etapa 2: selecionar a ferramenta certa entre os sistemas conectados

Toda ferramenta à qual um modelo tem acesso possui um esquema: um nome, uma descrição em linguagem natural do que ela faz e os parâmetros que aceita. Um modelo compara sua solicitação com cada uma dessas descrições para encontrar a ferramenta certa para a tarefa. Especialmente quando um agente tem um grande catálogo de ferramentas, ele executa um processo interno para filtrá-las e encontrar as relevantes, pois percorrer manualmente centenas de ferramentas tornaria muito mais lenta a busca pela ferramenta correta a ser chamada.

Etapa 3: criar e enviar uma solicitação

Após selecionar a ferramenta correta, o modelo cria uma chamada estruturada, geralmente formatada como JSON. Essa chamada define qual ferramenta será acionada e o que a solicitação inclui. Por exemplo, consultar o clima em Bogotá poderia ter esta aparência: {"name": "get_weather", "arguments": {"city": "Bogota"}}. Um modelo gera essa chamada, e a camada de aplicação a executa na próxima etapa.

Etapa 4: a solicitação é executada e um resultado é retornado 

A camada de aplicação recebe a solicitação de um modelo e executa a ferramenta ou chama uma API para processá-la. A resposta é então enviada de volta ao modelo original como contexto adicional, que pode usá-la para compor sua resposta ao usuário. 

Etapa 5: o modelo responde ou realiza outra ação

Com os dados ou as informações da chamada de ferramenta, o modelo usa linguagem simples para responder ao usuário ou confirma que uma ação específica foi realizada. A segunda opção ocorre se a tarefa que o usuário deseja cumprir for orientada à ação, como publicar uma mensagem em uma plataforma específica ou inserir dados em um banco de dados.

Se a tarefa exigir mais etapas, o modelo repetirá as etapas 1 a 4 conforme necessário. Solicitações mais complexas podem exigir a chamada de várias ferramentas antes de gerar uma resposta final para o usuário. Por exemplo, se um usuário quiser saber a taxa de câmbio atual e depois converter moedas, o modelo terá de executar várias etapas em sequência para atingir esse objetivo. 

Tipos de chamada de ferramentas

A chamada de ferramentas descreve qualquer situação em que um modelo chama um sistema externo para obter dados que vão além de seu treinamento de base. Na prática, esse processo pode recorrer a diversos sistemas, e muitos casos de uso utilizam diferentes tipos de ferramentas.

• Recuperação de informações: Inclui extrair dados de uma fonte externa, como uma API, um banco de dados corporativo conectado ou um índice de busca, para responder a uma pergunta que vai além do escopo do contexto original de treinamento de um modelo.
• Execução de código: A execução de qualquer script, processo de transformação de dados ou cálculo em um ambiente de código. Geralmente, isso é usado para analisar dados, em vez de apenas descrever como uma análise poderia funcionar na prática.
• Automação de processos: Descreve quando uma chamada de API aciona um workflow específico em outro sistema, como interagir com um CMS, agendar uma reunião, atualizar registros, enviar notificações ou transformar solicitações em ações concluídas. Isso é especialmente comum em sistemas agênticos que realizam tarefas para cada pessoa.
• Controle de dispositivos e sistemas: Chamadas de ferramentas que interagem com outro dispositivo, um sistema de telefonia, um assistente residencial inteligente e outros recursos se enquadram nessa categoria.

Muitas vezes, a chamada de ferramentas não se encaixa perfeitamente em apenas uma dessas categorias. Você pode ter chamadas de várias etapas e encadeadas que combinam diversas das categorias acima em uma sequência contínua. Por exemplo, pode consultar o status do pedido de um cliente, acionar um reembolso, atualizar seu CRM interno e transmitir essas informações a um atendente humano.

Chamada de ferramentas vs. chamada de função: principais diferenças

A chamada de ferramentas é uma categoria mais ampla que a chamada de função, abrangendo um escopo maior e uma gama mais diversa de recursos possíveis. A chamada de função ocorre quando um modelo gera uma chamada estruturada, com argumentos, para uma função predefinida.

Veja uma tabela que detalha as diferenças entre uma chamada de ferramenta e uma chamada de função. 

Quão confiável é a chamada de ferramentas? 

A confiabilidade da chamada de ferramentas depende totalmente do modelo que faz as chamadas. Da mesma forma, uma falha pode se manifestar de maneiras diferentes em sistemas distintos. Por exemplo, após uma chamada de ferramenta falhar, um modelo de IA pode simplesmente alucinar uma resposta, enquanto outro pode pedir ao usuário que tente novamente. 

O Berkeley Function Calling Leaderboard é um ranking frequentemente citado que compara o desempenho de diferentes modelos em chamadas de ferramentas. Embora seja descrito como um ranking de chamada de função, na prática ele mede a eficiência das chamadas de ferramentas ao testar modelos em chamadas de API, coleta de informações por consultas a bancos de dados, execução de chamadas paralelas ou respostas em conversas com vários turnos.

Os modelos são avaliados em aspectos como custo total, capacidade de pesquisar na web, precisão em conversas com vários turnos, medição de alucinações, latência e muito mais. Se você pretende executar workflows complexos ou de várias etapas, saber quais modelos têm recursos mais abrangentes de chamada de ferramentas é uma informação útil. 

Comece a usar o ElevenAgents para chamadas de ferramentas

No ElevenAgents, você pode escolher entre diversos modelos e ajustar sua carga de trabalho ao melhor modelo de base possível. Agentes de voz usam ferramentas para consultar pedidos, verificar registros, atualizar bancos de dados e coletar informações de APIs.

Você pode usar vários tipos de ferramentas, incluindo ferramentas de webhook para chamar APIs externas, ferramentas de cliente para acionar ações em aplicativos ou no navegador, ferramentas de código para lógica personalizada no servidor, ferramentas MCP que se conectam a servidores de ferramentas externos e ferramentas de sistema para ações integradas, como transferir para um atendente humano.

A ElevenLabs também oferece conectores nativos pré-configurados para serviços como Zendesk, HubSpot, Salesforce e muitos outros, permitindo que você não precise configurar integrações personalizadas. Saiba mais sobre o ElevenAgents ou crie sua conta para começar a criar agentes de voz com chamada de ferramentas hoje mesmo.

Perguntas frequentes