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

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

Tool calling é um recurso que ajuda a suprir essas lacunas de conhecimento e funcionalidade, permitindo que um modelo solicite ajuda adicional de ferramentas e sistemas externos — seja para disparar uma ação, como enviar uma atualização, ou buscar conteúdo em um painel de dados.

Neste artigo, vamos explorar o que é tool calling, como ele se compara ao function calling e como o ElevenAgents usa o tool calling em workflows de IA conversacional.

Resumo

• O tool calling permite que um modelo de IA dispare 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.
• O tool calling segue um processo de cinco etapas, e várias ferramentas diferentes podem ser ativadas na mesma solicitação.
• O tool calling pode ser usado para busca de informações, execução de código, controle de dispositivos ou interação com workflows e processos.
• O ElevenAgents oferece suporte a tool calling em agentes de voz, permitindo que seu assistente de IA conversacional realize tarefas para você.

O que é tool calling?

Tool calling 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 outro recurso que permita executar uma função além dos dados de treinamento. 

O tool calling gera uma solicitação para que um sistema de terceiros execute uma tarefa, normalmente formatada como JSON. Um sistema de IA usa tool calling 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 com várias etapas, acessando recursos externos e usando sistemas de terceiros de forma dinâmica.

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

Por que o tool calling é importante?

Modelos de linguagem de grande porte são treinados com enormes volumes de dados históricos para desenvolver suas capacidades. Embora isso os torne sistemas eficientes 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 aos LLMs informações fora do seu escopo ou além de suas capacidades, eles precisam de ajuda externa para fornecê-las.

O tool calling oferece essa ajuda externa, permitindo que LLMs obtenham dados atualizados de outras fontes ou se integrem a sistemas em operação na empresa, como APIs de terceiros ou bancos de dados internos.

O tool calling traz vários benefícios para sistemas de IA:

• Menos alucinações: Um sistema que depende de chamadas diretas a ferramentas para verificar informações trabalha com evidências e dados, em vez de possivelmente inventar informações ou extrapolar com base nos dados de treinamento.
• Mais autonomia e alcance: Um LLM com tool calling pode realizar ações que vão além de apenas fornecer informações. 
• Respostas em tempo real: Ao consultar fontes ao vivo, um LLM pode obter dados em tempo real de bancos de dados ou chamadas de API, fornecendo informações atualizadas que não estariam disponíveis apenas com os dados de treinamento.
• Processos automatizados com várias etapas: Uma tarefa que exigiria sua interação com diversos sistemas pode ser reduzida a um único prompt com um LLM que tem tool calling. Ele pode consultar outros sistemas e obter informações para você, sem que você precise 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, ante menos de 5% em 2025. Um modelo capaz de chamar a ferramenta correta para uma tarefa amplia suas capacidades e permite que os usuários realizem mais usando prompts em linguagem natural.

Tool calling vs. geração aumentada por recuperação (RAG)

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

O tool calling serve para acessar informações de forma dinâmica, incluindo sistemas em tempo real que mudam constantemente. O RAG pode buscar um PDF com preços de determinado ano, enquanto o tool calling pode captar instantaneamente preços ao vivo de um sistema conectado. A maioria dos sistemas de LLM usa essas capacidades em conjunto, pois consultar bases de conhecimento e ferramentas ao vivo é importante em muitos casos de uso.

Como o tool calling funciona?

O tool calling segue um padrão relativamente comum, seja quando um agente de IA chama um aplicativo interno ou um modelo externo. 

Veja uma visão geral de como o tool calling funciona:

1. Identificar quando é necessário chamar uma 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 toma outra ação

Vamos detalhar cada etapa.

Etapa 1: Identificar quando é necessário chamar uma ferramenta

Depois que você insere 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 do segundo trimestre no Salesforce?” e “Qual é o número atual de usuários ativos na nossa loja Shopify?” exigiriam uma chamada de ferramenta.

Etapa 2: Selecionar a ferramenta certa entre os sistemas conectados

Cada ferramenta à qual um modelo tem acesso possui um esquema: um nome, uma descrição em linguagem natural do que faz e os parâmetros que aceita. O modelo compara sua solicitação com cada uma dessas descrições para encontrar a ferramenta correta. Especialmente quando um agente conta com um grande catálogo de ferramentas, ele executa um processo interno para filtrá-las e encontrar as relevantes, já que percorrer manualmente centenas de ferramentas reduziria muito a velocidade para encontrar a ferramenta certa.

Etapa 3: Criar e enviar uma solicitação

Depois de selecionar a ferramenta correta, o modelo cria uma chamada estruturada, geralmente formatada como JSON. Essa chamada define qual ferramenta será chamada e o que a solicitação inclui. Por exemplo, uma consulta sobre o clima em Bogotá poderia ser assim: {"name": "get_weather", "arguments": {"city": "Bogota"}}. O 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 do modelo e executa a ferramenta ou chama uma API para processá-la. A resposta é então repassada ao modelo original como contexto adicional, que pode usá-la para compor sua resposta ao usuário. 

Etapa 5: O modelo responde ou toma outra ação

Com os dados ou informações da chamada de ferramenta, o modelo responde ao usuário em linguagem simples ou confirma que uma ação específica foi realizada. A segunda opção ocorre quando a tarefa que o usuário quer concluir é 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 de 1 a 4 conforme necessário. Solicitações mais complexas podem precisar chamar 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 precisará executar várias etapas em sequência para alcançar esse objetivo. 

Tipos de tool calling

Tool calling descreve qualquer situação em que um modelo chama um sistema externo para obter dados que vão além de seu treinamento subjacente. O processo pode recorrer a diversos sistemas, e diferentes casos de uso podem envolver diferentes tipos de ferramentas.

• Busca de informações: Inclui obter dados de uma fonte externa, como uma API, um banco de dados corporativo conectado ou um índice de pesquisa, para responder a uma pergunta que vai além do contexto original de treinamento do modelo.
• Execução de código: A execução de scripts, processos de transformação de dados ou cálculos em um ambiente de código. Em geral, isso é usado para analisar dados, em vez de apenas descrever como uma análise funcionaria na prática.
• Automação de processos: Descreve quando uma chamada de API dispara 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 a pessoa.
• Controle de dispositivos e sistemas: Chamadas de ferramentas que interagem com outro dispositivo, um sistema de telefonia, um assistente residencial inteligente e muito mais se enquadram nesta categoria.

Muitas vezes, o tool calling não se encaixa perfeitamente em apenas uma dessas categorias. Você pode ter chamadas com várias etapas e encadeadas que combinam diversas categorias acima em uma sequência contínua. Por exemplo, é possível consultar o status do pedido de um cliente, acionar um reembolso, atualizar o CRM interno e repassar essas informações a um agente humano.

Tool calling vs. function calling: principais diferenças

Tool calling é uma categoria mais ampla que function calling, abrangendo um escopo maior e uma variedade mais diversa de capacidades possíveis. Function calling ocorre quando um modelo gera uma chamada estruturada, com argumentos, para uma função predefinida.

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

Qual é a confiabilidade do tool calling? 

A confiabilidade do tool calling depende inteiramente do modelo que faz as chamadas. Além disso, falhas podem se manifestar de formas diferentes em sistemas distintos. Por exemplo, após falhar em uma chamada de ferramenta, um modelo de IA pode simplesmente alucinar uma resposta, enquanto outro pode pedir que o usuário tente novamente. 

O Berkeley Function Calling Leaderboard é um ranking frequentemente citado que compara o desempenho de diferentes modelos em tool calling. Embora seja descrito como um ranking de function calling, na prática ele mede a eficiência do tool calling 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 com várias etapas, saber quais modelos têm recursos mais abrangentes de tool calling é uma informação útil. 

Comece a usar o ElevenAgents para tool calling

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

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

A ElevenLabs também oferece conectores nativos pré-configurados para serviços como Zendesk, HubSpot, Salesforce e muitos outros, dispensando a configuração de integrações personalizadas. Saiba mais sobre o ElevenAgents ou crie uma conta para começar hoje mesmo a criar agentes de voz com tool calling.

Perguntas frequentes