Tool Calling چیست؟ نقش ابزارها در عملکرد AI Agentها

در قسمت‌های قبلی مجموعه پشت پرده AI Agentها دیدیم که یک Agent می‌تواند وضعیت را مشاهده کند، درباره قدم بعدی تصمیم بگیرد و سپس برای رسیدن به هدف اقدام کند. اما یک سؤال مهم باقی می‌ماند: وقتی Agent تصمیم می‌گیرد کاری انجام دهد، دقیقاً چطور آن را اجرا می‌کند؟

اینجاست که مفهوم Tool Calling اهمیت پیدا می‌کند.

یک مدل زبانی به‌تنهایی بیشتر در تولید و تحلیل متن توانمند است. برای اینکه بتواند به اطلاعات بیرونی دسترسی داشته باشد یا یک عمل واقعی انجام دهد، معمولاً باید به ابزارها و سرویس‌های مختلف متصل شود. Tool Calling همان سازوکاری است که این ارتباط را ممکن می‌کند.

Tool Calling چیست؟

Tool Calling به فرایندی گفته می‌شود که در آن مدل تشخیص می‌دهد برای انجام یک وظیفه باید از یک ابزار مشخص استفاده کند و درخواست استفاده از آن ابزار را ایجاد می‌کند.

این ابزار می‌تواند چیزهای مختلفی باشد؛ برای مثال:

جست‌وجو در وب
خواندن یک فایل
بررسی ایمیل
دسترسی به تقویم
اجرای کد
دریافت اطلاعات از یک API
جست‌وجو در پایگاه داده
انجام محاسبات

در نتیجه، Tool Calling به مدل کمک می‌کند از محدودیت «فقط تولید متن» عبور کند و با سیستم‌های بیرونی تعامل داشته باشد.

یک مثال ساده از Tool Calling

فرض کنیم به یک AI Agent بگوییم:

«جلسه فردا رو پیدا کن و خلاصه کن.»

مدل به‌تنهایی اطلاعات تقویم شما را در اختیار ندارد. بنابراین ابتدا باید تشخیص دهد که برای انجام این کار به ابزار تقویم نیاز دارد.

روند می‌تواند به این شکل باشد:

تولید خلاصه → تحلیل اطلاعات → دریافت اطلاعات جلسه → انتخاب ابزار تقویم → درخواست کاربر

در این سناریو، مدل ابتدا تصمیم می‌گیرد چه ابزاری لازم است. سپس درخواست استفاده از ابزار تقویم ایجاد می‌شود. سیستم اطلاعات جلسه را دریافت می‌کند و نتیجه را دوباره به مدل برمی‌گرداند. در مرحله بعد، مدل از همان اطلاعات برای تولید پاسخ نهایی استفاده می‌کند.

آیا مدل خودش ابزار را اجرا می‌کند؟

یکی از نکات مهم درباره Tool Calling این است که مدل معمولاً خودش مستقیماً ابزار را اجرا نمی‌کند.

مدل فقط مشخص می‌کند که چه ابزاری باید فراخوانی شود و چه ورودی‌هایی باید به آن داده شود. اجرای واقعی ابزار توسط سیستم یا محیطی انجام می‌شود که Agent داخل آن اجرا شده است.

برای مثال، مدل ممکن است چیزی شبیه به این تصمیم بگیرد:

«از ابزار تقویم، جلسه‌های فردا را دریافت کن.»

بعد سیستم این درخواست را اجرا می‌کند، نتیجه را به مدل برمی‌گرداند و مدل بر اساس آن ادامه می‌دهد.

این تفکیک اهمیت زیادی دارد، چون باعث می‌شود کنترل بیشتری روی دسترسی‌ها، امنیت و نحوه اجرای ابزارها وجود داشته باشد.

Tool Calling چه تفاوتی با یک پاسخ عادی دارد؟

در یک مدل زبانی معمولی، کار اغلب با تولید پاسخ متنی تمام می‌شود.

مثلاً اگر بپرسید:

«فردا چه جلسه‌ای دارم؟»

یک مدل بدون دسترسی به تقویم نمی‌تواند اطلاعات واقعی جلسه‌های شما را بداند.

اما اگر همان مدل داخل یک Agent باشد و به ابزار تقویم دسترسی داشته باشد، می‌تواند ابتدا اطلاعات را دریافت کند و بعد پاسخ واقعی و به‌روز تولید کند.

پس Tool Calling باعث می‌شود پاسخ مدل فقط بر اساس اطلاعات از قبل موجود نباشد و بتواند در لحظه از منابع بیرونی داده دریافت کند.

Tool Calling چه نقشی در AI Agent دارد؟

اگر Agent را به‌عنوان یک سیستم تصمیم‌گیر در نظر بگیریم، ابزارها را می‌توانیم «دست و پای» آن بدانیم.

مدل می‌تواند فکر کند و تصمیم بگیرد، اما برای اینکه تصمیمش به یک عمل تبدیل شود به ابزار نیاز دارد.

مثلاً ممکن است Agent تصمیم بگیرد:

یک ایمیل را بخواند
یک فایل را بررسی کند
نتیجه یک جست‌وجو را بگیرد
یک محاسبه انجام دهد
اطلاعات یک API را دریافت کند
جلسه‌ای را در تقویم پیدا کند

بدون Tool Calling، Agent در بسیاری از این موارد فقط می‌تواند توضیح دهد که چه کاری باید انجام شود؛ اما با ابزارها می‌تواند در فرایند اجرای آن کار مشارکت کند.

ارتباط Tool Calling با چرخه Observe، Think و Act

در قسمت قبل درباره چرخه Observe، Think و Act صحبت کردیم.

Tool Calling بیشتر در مرحله Act یا اقدام دیده می‌شود.

Agent ابتدا وضعیت را مشاهده می‌کند، سپس تصمیم می‌گیرد چه کاری لازم است و در مرحله اقدام، ابزار مناسب را فراخوانی می‌کند.

بعد از اجرای ابزار، نتیجه دوباره به Agent برمی‌گردد و تبدیل به اطلاعات جدیدی برای مرحله Observe می‌شود.

بنابراین چرخه می‌تواند به این شکل ادامه پیدا کند:

تصمیم بعدی → مشاهده مجدد → دریافت نتیجه → Tool Calling → تصمیم‌گیری → مشاهده

این چرخه یکی از پایه‌های بسیاری از Agentهای امروزی است.

چرا Tool Calling مهم است؟

اهمیت Tool Calling در این است که مدل‌های زبانی را از یک سیستم صرفاً متنی به بخشی از یک سیستم اجرایی بزرگ‌تر تبدیل می‌کند.

مدل دیگر فقط درباره یک کار صحبت نمی‌کند؛ بلکه می‌تواند تشخیص دهد برای انجام آن کار چه ابزار یا منبعی لازم است.

به همین دلیل Tool Calling یکی از مفاهیم مهم در طراحی AI Agentها، دستیارهای هوشمند، سیستم‌های اتوماسیون و Workflowهای مبتنی بر هوش مصنوعی است.

به زبان ساده:

Tool Calling پلی بین توانایی زبانی مدل و تعامل با ابزارها و سرویس‌های بیرونی است.

درباره فیلاگر

فیلاگر، جامعه هوش مصنوعی ایران، مرجعی برای آموزش و بررسی مفاهیم و فناوری‌های روز AI است. در مجموعه «پشت پرده AI Agentها» تلاش می‌کنیم ایجنت‌های هوش مصنوعی، نحوه کار آن‌ها و کاربردهای واقعی‌شان را با زبانی ساده، دقیق و کاربردی توضیح دهیم.

پشت پرده AI Agentها | قسمت ۱
پشت پرده AI Agentها | قسمت ۲