Vad är verktygsanrop? En komplett guide till AI-integration

AI-modeller använder och extrapolerar från sina träningsdata för att ge användare svar. Men vad händer när en fråga går utanför räckvidden för den ursprungliga informationen?

Verktygsanrop är en funktion som hjälper till att täppa till dessa kunskaps- och funktionsluckor. Den låter 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 går vi igenom vad verktygsanrop är, hur det skiljer sig från funktionsanrop och hur ElevenAgents använder verktygsanrop för Conversational AI-workflows.

Sammanfattning

• Verktygsanrop gör det möjligt för en AI-modell att utlösa åtgärder och begära information från externa verktyg och API:er.
• En AI-modell kör inte aktivt ett verktyg. 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 stöder 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 gör att den kan interagera med ett annat system. Systemet kan vara en databas, ett API, programvara eller något annat 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 information i realtid, köra kommandon eller utföra åtgärder. Möjligheten att anropa verktyg gör att agentisk AI kan utföra mer komplexa uppgifter eller uppgifter i flera steg genom att få åtkomst till externa resurser och dynamiskt använda tredjepartssystem.

Möjligheten att anropa verktyg är det som skiljer agentiska AI-assistenter från LLM:er som bara kan svara utifrån vad 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 ge information, men de har svårt att gå utanför sin ursprungliga träningskontext och informationsmängd. Om du ber LLM:er om information som ligger utanför deras räckvidd eller förmåga behöver de extern hjälp för att kunna leverera.

Verktygsanrop är den externa hjälpen. Den 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 belägg och data, i stället för att riskera att hitta på information eller extrapolera utifrån träningsdata.
• Större självständighet och räckvidd: En LLM med verktygsanrop kan utföra åtgärder som går längre än att bara ge information. 
• Svar i realtid: Genom att fråga aktiva källor kan en LLM hämta realtidsdata från databaser eller API-anrop och ge dig uppdaterad information som inte är tillgänglig när man enbart använder träningsdata.
• Automatiserade processer i flera steg: En uppgift som kan kräva att du interagerar med flera olika system 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 företagsapplikationerna kommer att integreras med uppgiftsspecifika AI-agenter före slutet av 2026, jämfört med mindre än 5 % under 2025. En modell som kan anropa rätt verktyg för en uppgift stärker sina förmågor och låter användare få mer gjort med prompter på naturligt språk.

Verktygsanrop jämfört med retrieval-augmented generation (RAG)

Retrieval-augmented generation och verktygsanrop handlar båda om att söka efter data utöver den kontext som en modells träningsdata ger, men de fokuserar på olika saker. RAG används främst för statiskt innehåll, som 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 hämtning från 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 skriver 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 dess träningsdata behöver ingen extern hjälp, men vissa frågor gör det, till exempel sådana som går utanför modellens kontext.

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 som 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 katalog med verktyg 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

När rätt verktyg har valts bygger modellen ett strukturerat anrop, ofta formaterat som JSON. Anropet anger vilket verktyg som ska anropas och vad begäran innehåller. En begäran om vädret i Bogota kan till exempel se ut så här: {"name": "get_weather", "arguments": {"city": "Bogota"}}. Modellen ger ut anropet och applikationslagret kör det i nästa steg.

Steg 4: Begäran körs och ett resultat returneras 

Applikationslagret tar emot modellens 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 svarar modellen antingen användaren på naturligt språk eller bekräftar att en viss åtgärd har utförts. Det senare gäller om den specifika uppgift som användaren vill utföra är handlingsinriktad, exempelvis att publicera ett meddelande på en viss 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 att flera verktyg anropas innan modellen skapar ett slutgiltigt svar till användaren. Om en användare till exempel vill veta en aktuell växelkurs och sedan växla valutor, behöver 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 grundläggande träning. Den faktiska processen kan använda flera olika system, och olika användningsfall kan kräva olika slags 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 en modells ursprungliga träningskontext.
• Kodkörning: Att köra ett skript, en datatransformationsprocess eller en beräkning 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, exempelvis interaktion med ett CMS, bokning av ett möte, uppdatering av poster, utskick av aviseringar eller omvandling av begäranden till slutförda 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 och mer faller inom denna kategori.

Verktygsanrop passar ofta inte tydligt 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 sammanhängande följd. Du kan till exempel hämta en kunds orderstatus, sedan utlösa en återbetalning, uppdatera ditt interna CRM och förmedla informationen till en mänsklig agent.

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. Fel kan också visa sig på olika sätt i olika system. En AI-modell kan till exempel hallucinera fram ett svar efter ett misslyckat verktygsanrop, medan en annan kan be användaren försöka igen. 

Berkeley Function Calling Leaderboard är en ofta refererad topplista som jämför olika modellers prestationer när det gäller verktygsanrop. Även om den beskrivs som en topplista för funktionsanrop mäter den i praktiken effektiviteten hos verktygsanrop genom att testa modeller på API-anrop, informationshämtning med databasfrågor, parallella anrop och svar i flervändningskonversationer.

Modeller utvärderas bland annat utifrån total kostnad, förmågan att söka på webben, träffsäkerhet i flervändningskonversationer, mätning av hallucinationer och latens. 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 bland flera modeller, så att du kan matcha din arbetsbelastning med den bästa möjliga underliggande modellen. Röstagenter använder verktyg, söker upp ordrar, kontrollerar poster, uppdaterar databaser och samlar in information från API:er.

Du kan använda flera slags verktyg, bland annat webhook-verktyg 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. Upptäck mer om ElevenAgents eller registrera dig för att börja bygga röstagenter med verktygsanrop redan idag.

Vanliga frågor