Vad är verktygsanrop? En komplett guide till AI-integration

AI-modeller hämtar och extrapolerar från sina träningsdata för att ge användare svar. Men vad händer när en begäran går utöver omfattningen av den ursprungliga informationen?

Verktygsanrop är en funktion som hjälper till att överbrygga dessa kunskaps- och funktionsluckor genom att låta en modell be om ytterligare hjälp från externa verktyg och system, oavsett om det innebär att utlösa en åtgärd som att skicka en uppdatering eller hämta innehåll från en datadashboard.

I den här artikeln utforskar vi vad verktygsanrop är, hur det skiljer sig från funktionsanrop och hur ElevenAgents använder verktygsanrop för Conversational AI-workflows.

Sammanfattning

• Verktygsanrop låter en AI-modell utlösa åtgärder och begära information från externa verktyg och API:er.
• En AI-modell kör inte själv ett verktyg aktivt. I stället kör ett applikationslager begäran.
• Verktygsanrop följer en process i fem steg, där flera olika verktyg kan aktiveras i samma begäran.
• Verktygsanrop kan användas för informationshämtning, kodkörning, enhetsstyrning eller interaktion med workflows och processer.
• ElevenAgents har stöd för verktygsanrop i röstagenter, så att din Conversational AI-assistent kan utföra uppgifter åt dig.

Vad är verktygsanrop?

Verktygsanrop är en funktion i en AI-modell som låter den interagera med ett annat system. Systemet kan vara en databas, ett API, en programvara eller vad som helst som låter den utföra en funktion utöver sina träningsdata. 

Verktygsanrop skapar en begäran till ett tredjepartssystem om att utföra en uppgift, vanligtvis formaterad som JSON. Ett AI-system använder verktygsanrop för att fråga externa system, hämta realtidsinformation, köra kommandon eller utföra åtgärder. Möjligheten att anropa verktyg gör det möjligt för agentisk AI att slutföra mer komplexa uppgifter eller uppgifter i flera steg genom att få åtkomst till externa resurser och dynamiskt använda tredjepartssystem.

Förmågan att anropa verktyg är det som skiljer agentiska AI-assistenter från LLM:er som bara kan svara utifrån det de redan vet.

Varför är verktygsanrop viktigt?

Stora språkmodeller tränas på enorma mängder historiska data för att utveckla sina förmågor. Det gör dem kraftfulla för att svara användare och leverera information, men de har svårt att gå utöver sin ursprungliga träningskontext och informationsmängd. Om du frågar LLM:er om information utanför deras område eller förmåga behöver de extern hjälp för att kunna svara.

Verktygsanrop är den externa hjälpen. Det låter LLM:er hämta färska data från andra källor eller integreras med aktiva system som ett företag redan använder, till exempel tredjeparts-API:er eller interna databaser.

Verktygsanrop har många fördelar för AI-system:

• Färre hallucinationer: Ett system som förlitar sig på direkta verktygsanrop för att verifiera information utgår från bevis och data, i stället för att potentiellt hitta på information eller extrapolera utifrån träningsdata.
• Större självständighet och räckvidd: En LLM med verktygsanrop kan utföra åtgärder som går längre än att bara tillhandahålla information. 
• Svar i realtid: Genom att fråga aktiva källor kan en LLM få realtidsdata från databaser eller API-anrop, vilket ger dig aktuell information som inte skulle vara tillgänglig enbart från träningsdata.
• Automatiserade processer i flera steg: En uppgift som kan kräva att du interagerar med flera olika system kan reduceras till en enda prompt med en LLM som har verktygsanrop. Den kan fråga andra system och hämta information åt dig utan att du behöver lämna interaktionsfönstret.

Gartner förutspår att 40 % av företagsapplikationer kommer att integreras med uppgiftsspecifika AI-agenter före slutet av 2026, en ökning från mindre än 5 % år 2025. En modell som kan anropa rätt verktyg för en uppgift förbättrar sina förmågor och låter användare få mer gjort med promptar på naturligt språk.

Verktygsanrop jämfört med retrieval-augmented generation (RAG)

Retrieval-augmented generation och verktygsanrop handlar båda om att söka efter data utanför den kontext som en modells träningsdata ger, men de fokuserar på olika saker. RAG används främst för statiskt innehåll, exempelvis artiklar, dokument och kunskapsbaser som du ansluter till en modell. Det ger en LLM ytterligare kontext som hjälper den att skapa mer heltäckande svar.

Verktygsanrop används för att dynamiskt nå information, inklusive realtidssystem som ständigt förändras. RAG kan hämta en PDF med priser från ett visst år, medan verktygsanrop direkt kan hämta aktuella priser från ett anslutet system. De flesta LLM-system använder dessa funktioner tillsammans, eftersom både kunskapsbaser och aktiva verktyg är viktiga i många användningsfall.

Hur fungerar verktygsanrop?

Verktygsanrop följer ett ganska standardiserat mönster, oavsett om en AI-agent anropar en intern app eller en extern modell. 

Här är en översikt över hur verktygsanrop fungerar:

1. Identifiera när ett verktygsanrop behövs
2. Välj rätt verktyg bland anslutna system
3. Skapa och skicka en begäran
4. Begäran körs och ett resultat returneras
5. Modellen svarar eller vidtar ytterligare åtgärder

Låt oss gå igenom dem mer i detalj.

Steg 1: Identifiera när ett verktygsanrop behövs

När du har skrivit en begäran på naturligt språk läser modellen din prompt och bedömer om den behöver extern hjälp från ett verktyg. En fråga som stämmer överens med träningsdatan behöver ingen extern hjälp, men vissa frågor, som de som går utöver modellens kontext, behöver det.

Frågor som ”Vilka var våra försäljningssiffror för Q2 i Salesforce?” och ”Hur många aktiva användare har vi just nu i vår Shopify-butik?” skulle båda kräva ett verktygsanrop.

Steg 2: Välj rätt verktyg bland anslutna system

Varje verktyg som en modell har åtkomst till har ett schema: ett namn, en beskrivning på naturligt språk av vad det gör och de parametrar det accepterar. Modellen jämför din begäran med var och en av dessa beskrivningar för att hitta rätt verktyg för uppgiften. Särskilt när en agent har en stor verktygskatalog kör den en intern process för att filtrera fram relevanta verktyg, eftersom det skulle ta betydligt längre tid att manuellt gå igenom hundratals verktyg för att hitta rätt verktyg att anropa.

Steg 3: Skapa och skicka en begäran

Efter att ha valt rätt verktyg bygger modellen ett strukturerat anrop, ofta formaterat som JSON. Anropet anger vilket verktyg som ska anropas och vad begäran innehåller. Att fråga efter vädret i Bogotá kan till exempel se ut så här: {"name": "get_weather", "arguments": {"city": "Bogota"}}. Modellen skickar ut detta anrop och applikationslagret kör det i nästa steg.

Steg 4: Begäran körs och ett resultat returneras 

Applikationslagret tar emot en modells begäran och kör verktyget eller anropar ett API för att utföra begäran. Svaret skickas sedan tillbaka till den ursprungliga modellen som ytterligare kontext, vilken sedan kan användas i svaret till användaren. 

Steg 5: Modellen svarar eller vidtar ytterligare åtgärder

Med data eller information från verktygsanropet använder modellen antingen vanligt språk för att svara användaren eller bekräftar att en specifik åtgärd har vidtagits. Det senare svaret ges om uppgiften användaren vill utföra är handlingsinriktad, till exempel att publicera ett meddelande på en specifik plattform eller lägga in data i en databas.

Om uppgiften kräver fler steg upprepar modellen steg 1–4 efter behov. Mer komplexa begäranden kan kräva anrop till flera verktyg innan ett slutligt svar kan ges till användaren. Om en användare till exempel vill veta den aktuella växelkursen och sedan växla valutor måste modellen utföra flera steg i följd för att nå målet. 

Typer av verktygsanrop

Verktygsanrop beskriver varje tillfälle då en modell anropar ett externt system för data som går utöver dess underliggande träning. Den faktiska processen kan använda flera olika system, och många olika användningsfall använder olika typer av verktyg.

• Informationshämtning: Innebär att hämta data från en extern källa, till exempel ett API, en ansluten företagsdatabas eller ett sökindex, för att besvara en fråga som går utöver omfattningen av modellens ursprungliga träningskontext.
• Kodkörning: Att köra skript, datatransformeringar eller beräkningar i en kodmiljö. Detta används vanligtvis för att analysera data, snarare än att bara beskriva hur en analys kan fungera i praktiken.
• Processautomatisering: Beskriver när ett API-anrop utlöser ett specifikt workflow i ett annat system, till exempel genom att interagera med ett CMS, boka ett möte, uppdatera poster, skicka aviseringar eller omvandla begäranden till genomförda åtgärder. Detta är särskilt vanligt i agentiska system som utför uppgifter åt individen.
• Enhets- och systemstyrning: Verktygsanrop som interagerar med en annan enhet, ett telefonisystem, en smart hem-assistent med mera hör till den här kategorin.

Ofta passar verktygsanrop inte prydligt in i bara en av dessa kategorier. Du kan ha anrop i flera steg och kedjade anrop som kombinerar flera av kategorierna ovan i en kontinuerlig sekvens. Du kan till exempel hämta en kunds orderstatus, sedan utlösa en återbetalning, uppdatera ert interna CRM och vidarebefordra informationen till en liveagent.

Verktygsanrop jämfört med funktionsanrop: viktiga skillnader

Verktygsanrop är en bredare kategori än funktionsanrop och omfattar ett större område och ett mer varierat utbud av möjliga funktioner. Funktionsanrop innebär att en modell skapar ett strukturerat anrop, med argument, till en fördefinierad funktion.

Här är en tabell som visar skillnaderna mellan ett verktygsanrop och ett funktionsanrop. 

Hur tillförlitligt är verktygsanrop? 

Hur tillförlitligt verktygsanrop är beror helt på modellen som gör anropen. Misslyckanden kan också visa sig på olika sätt i olika system. En AI-modell kan till exempel, efter ett misslyckat verktygsanrop, helt enkelt hallucinera fram ett svar, medan en annan kan be användaren att försöka igen. 

The Berkeley Function Calling Leaderboard är en ofta refererad topplista som jämför hur olika modeller presterar när det gäller verktygsanrop. Den beskrivs som en topplista för funktionsanrop, men i praktiken mäter den effektiviteten hos verktygsanrop genom att testa modeller på API-anrop, insamling av information från databasfrågor, parallella anrop och svar i fleromgångskonversationer.

Modeller granskas utifrån sådant som totalkostnad, förmåga att söka på webben, noggrannhet i fleromgångskonversationer, mätning av hallucinationer, latens och mycket mer. Om du ska köra komplexa workflows eller workflows i flera steg är det värdefullt att veta vilka modeller som har mer omfattande funktioner för verktygsanrop. 

Kom igång med ElevenAgents för verktygsanrop

I ElevenAgents kan du välja mellan flera modeller, så att du kan matcha din arbetsbelastning med bästa möjliga underliggande modell. Röstagenter använder verktyg, söker upp beställningar, kontrollerar poster, uppdaterar databaser och hämtar information från API:er.

Du kan använda flera typer av verktyg, inklusive webhookverktyg för att anropa externa API:er, klientverktyg för att utlösa åtgärder i applikationer eller i en webbläsare, kodverktyg för anpassad logik på serversidan, MCP-verktyg som ansluter till externa verktygsservrar och systemverktyg för inbyggda åtgärder som att överföra till en mänsklig agent.

ElevenLabs erbjuder också färdiga inbyggda anslutningar till tjänster som Zendesk, HubSpot, Salesforce och många fler, så att du slipper konfigurera egna lösningar. Läs mer om ElevenAgents eller registrera dig för att börja bygga röstagenter med verktygsanrop redan i dag.

Vanliga frågor